Resource-aware Research on Universe and Matter: Call-to-Action in Digital Transformation

Technische Samenvatting: Resource-bewust Onderzoek naar het Heelal en Materie: Call-to-Action in Digitale Transformatie

Probleemstelling
Het artikel adresseert het dringende conflict tussen de escalerende rekenkrachtseisen van onderzoek naar het Heelal en Materie (ErUM) en het wereldwijde imperatief om broeikasgasemissies (GHG) te reduceren om klimaattipping points te vermijden. Hoewel de Overeenkomst van Parijs een reductie van 50% in wereldwijde emissies binnen zeven jaar vereist, verbruikt de digitale infrastructuur die ErUM-onderzoek ondersteunt—gekenmerkt door enorme datastromen uit de deeltjesfysica, astrofysica en foton/neutron-wetenschappen—beduidend veel energie. De auteurs merken op dat datacenters momenteel ongeveer 1% van het wereldwijde energieverbruik voor hun rekening nemen, een cijfer dat naar verwachting zal stijgen naarmate de datavolumes groeien (bijvoorbeeld van Terabits per seconde bij toekomstige faciliteiten zoals de Square Kilometre Array). De kernuitdaging is om wetenschappelijke vooruitgang en kenniswinst te behouden terwijl de koolstofvoetafdruk van computing, opslag en algoritmische verwerking drastisch wordt gereduceerd.

Methodologie
Dit werk is geen experimentele studie, maar een strategische synthese gebaseerd op een driedaagse workshop in mei 2023, waarbij wetenschappers uit de ErUM-Data-community in Duitsland en internationale samenwerkingspartners betrokken waren. De methodologie omvatte:

1. Gestructureerde Deliberatie: De workshop werd geleid door twaalf vooraf geformuleerde vragen (gedetailleerd in Bijlage A) die hardware, data, algoritmen, energievoorziening en culturele verschuivingen besloten.
2. Portfoliobouw: Deelnemers analyseerden huidige praktijken en identificeerden uitvoerbare maatregelen over zes specifieke domeinen: slimme datatransformatie, software-engineering, algoritmen/AI, computing-infrastructuur, onderwijs en institutionele ondersteuning.
3. Categorisatie op Haalbaarheid: De geïdentificeerde maatregelen werden gecategoriseerd op basis van de tijd en moeite vereist voor implementatie: direct/kortetermijn, middellange termijn (enkele jaren) en langetermijn (gecoördineerde planning).
4. Contextuele Analyse: De auteurs integreerden bestaande data over energieverbruik (bijvoorbeeld PUE-waarden, specifiek GWh-gebruik van Duitse computingcentra) en emissiescopes (Scope 1, 2 en 3) om hun aanbevelingen te verankeren in technische realiteit.

Belangrijkste Bijdragen
Het artikel stelt een uitgebreid "portefeuille aan maatregelen" voor om ErUM-onderzoek over te schakelen naar duurzaamheid. De bijdragen zijn georganiseerd in zes technische en organisatorische gebieden:

1. Slimme Datatransformatie:

   • Pleit voor FAIR-data (Findable, Accessible, Interoperable, Reusable) om hergebruik te maximaliseren en redundante verwerking te minimaliseren.
   • Stelt "stream-based modellen" voor waarbij ruwe data online wordt verwerkt en wordt verwijderd als deze niet wetenschappelijk waardevol is, in plaats van alle ruwe data op te slaan.
   • Suggereert het optimaliseren van de opslag van tussenresultaten van workflows (snapshots) om opslakkosten af te wegen tegen de energie vereist voor herberekening.

2. Software-engineering en Data-analyse:

   • Benadrukt de overgang van "spaghetti-code" naar professionele, modulaire en versiebeheerde software om "abandonware" te voorkomen en reproduceerbaarheid te waarborgen.
   • Roept op tot integratie van energie-efficiëntie als primaire softwarekwaliteitsmaatstaf, naast standaard benchmarks.
   • Beveelt geautomatiseerde parallelisatie, vectorisatie en aanpassing aan nieuwe CPU-architecturen (bijvoorbeeld ARM, RISC-V) aan om de energie-per-operatie-efficiëntie te verbeteren.

3. Algoritmen en Kunstmatige Intelligentie (AI):

   • Benadrukt het potentieel van generatieve modellen en vooraf getrainde modellen om computergewaardevolle simulaties te vervangen (bijvoorbeeld het vervangen van Geant4-detectorsimulaties door diepe generatieve modellen die orde van grootte sneller zijn).
   • Pleit voor strategisch gebruik van AI alleen waar het aanzienlijke wetenschappelijke voordelen of middelenbesparingen biedt, en waarschuwt voor het "rebound-effect" waarbij efficiëntiewinsten leiden tot een toename van het totale verbruik.
   • Benadrukt de noodzaak om de CO2e-voetafdruk van zowel trainings- als inferentiefasen van machine learning-modellen te documenteren.

4. Computing en Infrastructuur:

   • Stelt voor datacenters te verplaatsen om te worden gecombineerd met hernieuwbare energiebronnen (bijvoorbeeld offshore windparken) om directe stroom te benutten en transmissieverliezen te verminderen.
   • Suggereert dynamische workload-planning waarbij computingresources omhoog of omlaag schalen op basis van real-time beschikbaarheid van hernieuwbare energie (bijvoorbeeld "malleable jobs").
   • Beveelt aan de levensduur van hardware te verlengen (beyond de typische 5 jaar) waar haalbaar om de koolstofvoetafdruk van productie (Scope 3) te amortiseren, en afvalwarmte te hergebruiken voor stadsverwarming.
   • Roept op tot verbeterde Power Usage Effectiveness (PUE) en implementatie van energieopslagoplossingen om buffering tegen de intermitterendheid van hernieuwbare energie mogelijk te maken.

5. Onderwijs en Cultuur:

   • Identificeert een behoefte aan nieuwe curriculum om wetenschappers op te leiden in duurzame digitale praktijken, waaronder resource-bewuste codering en de ethische implicaties van AI.
   • Pleit voor een culturele verschuiving waarbij onderzoekers actief kenniswinst afwegen tegen resourcegebruik.

6. Financiering en Institutionele Ondersteuning:

   • Roept financieringsinstanties op om langetermijnposities voor software- en datamanagement te ondersteunen en koolstofvoetafdrukbeoordelingen op te nemen in projectplanning.

Resultaten en Voorgestelde Acties
Het primaire resultaat van het artikel is Tabel 2, een geprioriteerde "Call-to-Action"-lijst gecategoriseerd op implementatietijdlijn:

• Direct/Kortetermijn: Bewustwording vergroten, energieverbruik op job-niveau monitoren en koolstofvoetafdrukken overwegen in projectplanning.
• Middellange termijn (Enkele jaren): Implementatie van FAIR-data-praktijken, optimalisatie van software voor energie, adoptie van workflow-management en ontwikkeling van tools voor resource-monitoring.
• Langetermijn: Vestiging van datacenters in de buurt van hernieuwbare energiebronnen, ontwikkeling van dynamische middleware voor energiebewuste planning en optimalisatie van hardwarelevenscycli.

Het artikel biedt ook specifieke technische data, zoals de breakdown van het energieverbruik van CERN (55% verwerking, 21% schijfopslag) en het potentieel om het stroomverbruik van nodes met 50% te verminderen door kloksnelheidsdrosseling.

Betekenis en Aanspraken
De auteurs stellen dat de ErUM-community beschikt over de tools en expertise om een realistisch plan te ontwikkelen voor het reduceren van CO2e-emissies zonder wetenschappelijke vooruitgang op te offeren. Zij betogen dat duurzaamheid niet louter een milieu-beperking is, maar een drijvende kracht voor innovatie in algoritmen, software-architectuur en infrastructuurbeheer.

Het artikel stelt dat de transitie een "moeilijke, maar onvermijdelijke" verschuiving in houding en gedrag vereist op alle niveaus van de wetenschappelijke gemeenschap. Het positioneert het voorgestelde portefeuille aan maatregelen als een noodzakelijk kader om de digitale transformatie van ErUM-onderzoek af te stemmen op de doelen van de Overeenkomst van Parijs. De auteurs concluderen dat door bewust kenniswinst af te wegen tegen resourcegebruik, de gemeenschap efficiëntiewinsten kan behalen die uiteindelijk wetenschappelijke vooruitgang zullen versnellen terwijl de planetaire condities die noodzakelijk zijn voor het leven worden behouden.