The environmental impact, carbon emissions and sustainability of computing in the ATLAS experiment

Este artículo describe las investigaciones y estrategias en curso del experimento ATLAS para evaluar y mitigar el impacto ambiental de su infraestructura de computación distribuida, con el objetivo de reducir significativamente las emisiones y mejorar la sostenibilidad en la era del LHC de Alta Luminosidad.

Lo esencial

El Gran Experimento de la Sostenibilidad: Cómo ATLAS intenta "apagar las luces" sin detener la física

Imagina que el experimento ATLAS es como una gigantesca fábrica de descubrimientos ubicada en el corazón de Europa (en el CERN). Su trabajo es chocar partículas a velocidades increíbles para entender cómo funciona el universo. Pero para hacer esto, necesita una cosa: una cantidad masiva de computadoras.

Piensa en estas computadoras no como las de tu escritorio, sino como una ciudad invisible distribuida por todo el planeta. Tiene más de un millón de "cerebros" (núcleos de CPU) trabajando al mismo tiempo y almacena tanta información que si la pusieras en libros, llenarías millones de estanterías.

El problema es que esta ciudad digital consume mucha energía y, por lo tanto, deja una huella de carbono (como el humo de un coche, pero invisible) que contribuye al calentamiento global. Con la llegada de una nueva versión más potente de la máquina (el HL-LHC) en los años 30 y 40, esta ciudad necesitará crecer hasta ser 10 veces más grande. Si no hacemos nada, la contaminación de esta "ciudad de datos" se disparará.

Este documento es el plan de emergencia y sostenibilidad de ATLAS para asegurar que, mientras siguen descubriendo el universo, no lo destruyan con su propio consumo de energía.

Aquí te explico sus estrategias con analogías sencillas:

1. Hacer que todos sepan cuánto "gastan" (Conciencia)

Imagina que a cada persona que usa la computadora se le envía un recibo de luz después de cada tarea, pero en lugar de euros, te dice cuántos kilos de CO2 generó.

• La analogía: Es como si tu lavadora te dijera: "Oye, si lavas a 40°C en lugar de 90°C, ahorras energía".
• La acción: El sistema les muestra a los científicos cuánto "contaminan" sus códigos. Si un código es ineficiente y tarda mucho, genera más CO2. Esto motiva a los científicos a escribir programas más rápidos y limpios, como conducir un coche de forma eficiente para gastar menos gasolina.

2. La política de "No desperdiciar" (Optimización)

ATLAS ha cambiado sus reglas de juego para evitar el desperdicio, similar a cómo gestionamos la comida en casa:

• Comprimir los archivos: Imagina que tienes que enviar una maleta llena de ropa. En lugar de enviarla abierta, la metes en una bolsa de vacío. Ocupa mucho menos espacio (ahorro de almacenamiento) y tardas un poco más en empaquetarla (un poco más de CPU), pero el ahorro es enorme.
• El "Carusel de Datos": En lugar de tener todo en la mesa de la cocina (discos duros rápidos pero caros y que consumen mucha energía), guardan lo que no usan a menudo en el sótano (cintas magnéticas). Las cintas son como un almacén de bajo consumo: no necesitan electricidad para mantenerse "frías" hasta que las necesitas.
• Reproducir en lugar de guardar: Si necesitas un archivo que borraste hace un mes, en lugar de guardarlo para siempre (ocupando espacio y energía), el sistema lo reimprime (lo vuelve a crear) solo si lo pides. Es como cocinar una comida solo cuando tienes hambre, en lugar de cocinar de más y tirar lo que sobra.

3. Ajustar el ritmo según el sol y el viento (Energía Verde)

Esta es una de las ideas más brillantes. La electricidad no es igual en todo momento. A veces hay mucho sol y viento (energía limpia y barata), y a veces no (energía sucia y cara).

• La analogía: Imagina que eres un panadero. Si el viento mueve las aspas de tu molino y tienes harina gratis, horneas 100 panes. Si no hay viento, horneas solo 10.
• La acción: ATLAS intenta programar sus tareas pesadas para que ocurran cuando hay mucho sol o viento en la red eléctrica. Además, pueden bajar la velocidad de sus procesadores (como poner el coche en "modo económico") cuando la energía es sucia, y acelerar cuando es limpia.

4. Refrigeración inteligente (El aire acondicionado)

Los servidores se calientan mucho. Tradicionalmente, se usan ventiladores gigantes que hacen mucho ruido y gastan mucha electricidad para enfriarlos.

• La analogía: Es como intentar enfriar una casa con la puerta abierta en pleno verano.
• La acción: Están cambiando a refrigeración líquida (usando agua, como un radiador de coche). El agua es mucho mejor para llevarse el calor que el aire. Además, están subiendo un poco la temperatura permitida dentro de las salas (de 20°C a 25°C). Los procesadores modernos son como atletas: pueden correr igual de bien con un poco de calor, pero el aire acondicionado gasta mucha menos energía. ¡Y el calor que sobra se puede usar para calentar oficinas o agua caliente!

5. No construir edificios nuevos si no es necesario

A veces, la solución no es comprar más computadoras, sino usar mejor las que ya tenemos.

• La analogía: En lugar de comprar un coche nuevo cada año, arreglas el viejo y lo mantienes funcionando.
• La acción: Mantienen los equipos funcionando más allá de su vida útil comercial, reciclando piezas de los que fallan para arreglar los que funcionan. Esto evita la "huella de carbono" de fabricar nuevos chips y servidores.

Conclusión: Un futuro más verde

El mensaje final es claro: No podemos detener la ciencia, pero sí podemos hacerla más limpia.

ATLAS se está convirtiendo en un laboratorio no solo de física de partículas, sino de sostenibilidad digital. Al aprender a usar menos energía, a reciclar mejor y a aprovechar la energía renovable, están asegurando que la búsqueda de los secretos del universo no destruya el planeta que habitamos. Es como decir: "Vamos a buscar las estrellas, pero sin ensuciar el cielo".

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "The environmental impact, carbon emissions and sustainability of computing in the ATLAS experiment", publicado por la Colaboración ATLAS en Eur. Phys. J. C.

1. El Problema

El experimento ATLAS en el Gran Colisionador de Hadrones (LHC) depende de una infraestructura de computación distribuida masiva (más de 100 sitios en todo el mundo, con picos de casi un millón de núcleos de CPU y más de 106 TB de datos gestionados). Con la llegada del LHC de Alta Luminosidad (HL-LHC) a principios de la década de 2030, se espera que los recursos de computación necesarios aumenten entre un factor de 3 y 4, y se dupliquen nuevamente antes de 2041.

Este crecimiento exponencial plantea un desafío crítico de sostenibilidad:

• Huella de Carbono: Sin mitigación, la huella de carbono de la computación de ATLAS podría rivalizar con la del propio CERN.
• Complejidad de Medición: La evaluación ambiental debe considerar no solo las emisiones operativas (Alcance 2: electricidad), sino también las emisiones incorporadas (Alcance 3: fabricación de hardware, construcción de centros de datos y cadena de suministro).
• Desafío Geográfico: La naturaleza distribuida de la red WLCG (Worldwide LHC Computing Grid) implica que los sitios operan con diferentes intensidades de carbono en la red eléctrica, eficiencias energéticas (PUE) y prácticas de gestión, lo que dificulta una estrategia unificada.

2. Metodología

El artículo describe un enfoque integral que combina la concienciación, la política, la optimización técnica y la colaboración con la industria. La metodología se divide en cuatro pilares:

• Evaluación y Monitoreo:

  • Uso del estándar GHG Protocol para categorizar emisiones en Alcance 1, 2 y 3.
  • Implementación de herramientas en PanDA (sistema de gestión de flujos de trabajo) para estimar la huella de carbono de cada trabajo (job) en tiempo real, utilizando datos de intensidad de carbono de la red eléctrica (Electricity Maps) y estimaciones de consumo por núcleo (10 W/core).
  • Uso de la suite de referencia HEPScore para medir el rendimiento por vatio, adaptada a las cargas de trabajo específicas de la física de altas energías (HEP).

• Análisis de Políticas y Comportamiento:

  • Estudio de la relación costo-beneficio entre almacenamiento y computación (ej. reproducción de datos vs. almacenamiento a largo plazo).
  • Análisis del "Paradoja de Jevons": cómo la eficiencia de software puede llevar a un mayor consumo total si no se gestiona la demanda.

• Optimización Técnica y de Infraestructura:

  • Pruebas de configuración de hardware (gobiernos de frecuencia de CPU, refrigeración líquida vs. aire).
  • Modelado de la carga de trabajo de tareas de fondo (backup, deduplicación) para su desplazamiento temporal a periodos de baja intensidad de carbono.
  • Evaluación de la vida útil del hardware y el impacto de las emisiones incorporadas frente a las operativas.

• Colaboración Externa:

  • Integración de esfuerzos con grupos como EE HPC WG, Open Compute Project y GreenDiSC para no duplicar esfuerzos, sino complementar las mejores prácticas generales de la industria.

3. Contribuciones Clave

El artículo presenta varias contribuciones técnicas y políticas concretas:

1. Herramienta de Concienciación (PanDA): Desarrollo de un sistema que informa a los usuarios sobre la huella de carbono de sus trabajos, incentivando la optimización del código. Se utiliza una intensidad de carbono global promedio para evitar incentivos perversos (como redirigir trabajos a sitios con baja intensidad de carbono pero que ya están saturados).
2. Política de "Reproducción bajo Demanda": Análisis matemático que demuestra que, para formatos de datos de análisis (DAODs), es ambientalmente más eficiente reproducir los datos bajo demanda si la tasa de acceso es inferior al 16% anual, en lugar de mantenerlos almacenados en disco, debido a la baja intensidad de carbono de la computación frente al costo de almacenamiento continuo.
3. Optimización de Frecuencia de CPU: Demostración de que reducir la frecuencia de los procesadores (debajo de la nominal) mejora significativamente el rendimiento por vatio (HS23/Watt) para las cargas de trabajo de ATLAS, ya que estas están limitadas por el acceso a la memoria y no solo por los ciclos de CPU.
4. Gestión de Tareas de Fondo: Modelado que muestra que desplazar tareas de mantenimiento de almacenamiento (scrubbing, backups) a horas de baja intensidad de carbono puede reducir las emisiones operativas de almacenamiento en un 60-82% en redes eléctricas con alta variabilidad renovable (ej. California).
5. Refrigeración y Reutilización de Calor: Evaluación de la transición de refrigeración por aire a líquida y el uso de calor residual para calefacción urbana, con un potencial de ahorro de 700 MWh/año y 150.000 kgCO2eq/año en sitios piloto como el de Brookhaven.

4. Resultados Principales

• Eficiencia de Software: La eficiencia de los trabajos de simulación Monte Carlo ha mejorado un 5% en los últimos tres años, y el tiempo por evento se ha reducido casi un 50% gracias a optimizaciones de software, reduciendo la necesidad de expansión de recursos.
• Impacto de la Frecuencia: La reducción de la frecuencia de CPU puede mejorar la eficiencia energética (HS23/Watt) en un 10-20% sin penalizar significativamente el rendimiento de la física, dependiendo del modelo de procesador.
• Desplazamiento Temporal: Las estrategias de programación "Greedy" (codiciosas) para tareas de almacenamiento pueden lograr reducciones de emisiones de hasta un 96.4% para el año 2035 en redes eléctricas altamente descarbonizadas, comparado con la programación tradicional a medianoche.
• Balance Almacenamiento/Computación: Se ha establecido un punto de equilibrio (break-even point) para la estrategia de reproducción de datos: si un conjunto de datos se accede menos del 16% de las veces en un año, reproducirlo es más sostenible que guardarlo.
• Huella de Construcción: Se calcula que la amortización de la huella de carbono de la construcción de un nuevo centro de datos (con PUE mejorado) frente al ahorro operativo toma entre 6 y 11 años, dependiendo de la intensidad de carbono de la red local.

5. Significado e Impacto

Este trabajo es fundamental para la comunidad de física de altas energías y la industria de la computación por varias razones:

• Marco de Acción para el HL-LHC: Proporciona una hoja de ruta basada en datos para gestionar el crecimiento de recursos del HL-LHC de manera sostenible, evitando que el impacto ambiental se duplique simplemente por la escala.
• Cambio de Paradigma: Mueve el enfoque de la sostenibilidad de la computación desde una preocupación puramente operativa (coste de electricidad) hacia una visión holística que incluye emisiones incorporadas (hardware, construcción) y el ciclo de vida completo.
• Transferibilidad: Las recomendaciones sobre políticas de datos, optimización de frecuencias de CPU, refrigeración líquida y gestión de tareas de fondo son aplicables a otros experimentos científicos y a la industria de centros de datos en general.
• Toma de Decisiones: Ofrece a los administradores de sitios y a los responsables de compras de hardware criterios cuantitativos (como el PUE, la intensidad de carbono y la vida útil del hardware) para tomar decisiones de inversión que minimicen la huella de carbono total.

En resumen, el artículo demuestra que es posible reducir significativamente el impacto ambiental de la computación científica a gran escala mediante una combinación de políticas inteligentes, optimización de software, ajustes de hardware y una gestión de datos consciente del carbono, sin comprometer el programa científico del experimento ATLAS.