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

Resumo Técnico: Pesquisa Consciente de Recursos sobre o Universo e a Matéria: Chamada à Ação na Transformação Digital

Declaração do Problema
O artigo aborda o conflito urgente entre as demandas computacionais crescentes da pesquisa sobre o Universo e a Matéria (ErUM) e o imperativo global de reduzir as emissões de gases de efeito estufa (GEE) para evitar pontos de inflexão climática. Embora o Acordo de Paris exija uma redução de 50% nas emissões globais dentro de sete anos, a infraestrutura digital que apoia a pesquisa ErUM — caracterizada por taxas massivas de dados provenientes da física de altas energias, astrofísica e ciências de fótons/nêutrons — consome energia significativa. Os autores observam que os data centers atualmente respondem por aproximadamente 1% do consumo global de energia, uma cifra projetada para aumentar à medida que os volumes de dados crescem (por exemplo, de Terabits por segundo em futuras instalações como o Square Kilometre Array). O desafio central é manter o progresso científico e o ganho de conhecimento enquanto se reduz drasticamente a pegada de carbono da computação, do armazenamento e do processamento algorítmico.

Metodologia
Este trabalho não é um estudo experimental, mas uma síntese estratégica baseada em um workshop de três dias realizado em maio de 2023, envolvendo cientistas da comunidade ErUM-Data na Alemanha e colaboradores internacionais. A metodologia envolveu:

1. Deliberação Estruturada: O workshop foi guiado por doze perguntas pré-formuladas (detalhadas no Apêndice A) cobrindo hardware, dados, algoritmos, fornecimento de energia e mudanças culturais.
2. Desenvolvimento de Portfólio: Os participantes analisaram práticas atuais e identificaram medidas acionáveis em seis domínios específicos: transformação inteligente de dados, engenharia de software, algoritmos/IA, infraestrutura de computação, educação e apoio institucional.
3. Categorização por Viabilidade: As medidas identificadas foram categorizadas com base no tempo e esforço necessários para implementação: imediata/curto prazo, médio prazo (alguns anos) e longo prazo (planejamento coordenado).
4. Análise Contextual: Os autores integraram dados existentes sobre consumo de energia (por exemplo, valores de PUE, uso específico em GWh de centros de computação alemães) e escopos de emissão (Escopo 1, 2 e 3) para fundamentar suas recomendações na realidade técnica.

Principais Contribuições
O artigo propõe um "portfólio de medidas" abrangente para transicionar a pesquisa ErUM em direção à sustentabilidade. As contribuições estão organizadas em seis áreas técnicas e organizacionais:

1. Transformação Inteligente de Dados:

   • Defende dados FAIR (Encontráveis, Acessíveis, Interoperáveis, Reutilizáveis) para maximizar a reutilização e minimizar o processamento redundante.
   • Propõe "modelos baseados em fluxo" onde dados brutos são processados online e descartados se não forem cientificamente valiosos, em vez de armazenar todos os dados brutos.
   • Sugere otimizar o armazenamento de resultados intermediários de fluxo de trabalho (snapshots) para equilibrar custos de armazenamento contra a energia necessária para re-cálculo.

2. Engenharia de Software e Análise de Dados:

   • Enfatiza a transição de "código espaguete" para software profissional, modular e controlado por versão para prevenir "abandonware" e garantir reprodutibilidade.
   • Exige a integração da eficiência energética como uma métrica primária de qualidade de software, ao lado de benchmarks padrão.
   • Recomenda paralelização automatizada, vetorização e adaptação a novas arquiteturas de CPU (por exemplo, ARM, RISC-V) para melhorar a eficiência de energia por operação.

3. Algoritmos e Inteligência Artificial (IA):

   • Destaca o potencial de modelos generativos e modelos pré-treinados para substituir simulações computacionalmente caras (por exemplo, substituir simulações de detectores Geant4 por modelos generativos profundos que são ordens de magnitude mais rápidos).
   • Argumenta pelo uso estratégico de IA apenas onde oferece benefício científico significativo ou economia de recursos, alertando contra o "efeito rebote" onde ganhos de eficiência levam ao aumento do consumo total.
   • Enfatiza a necessidade de documentar a pegada de CO2e tanto das fases de treinamento quanto de inferência de modelos de aprendizado de máquina.

4. Computação e Infraestrutura:

   • Propõe realocar data centers para serem co-localizados com fontes de energia renovável (por exemplo, parques eólicos offshore) para utilizar energia direta e reduzir perdas de transmissão.
   • Sugere agendamento dinâmico de cargas de trabalho onde recursos de computação aumentam ou diminuem com base na disponibilidade de energia renovável em tempo real (por exemplo, "trabalhos maleáveis").
   • Recomenda estender a vida útil do hardware (além dos típicos 5 anos) onde viável para amortizar a pegada de carbono da fabricação (Escopo 3) e reutilizar calor residual para aquecimento urbano.
   • Exige melhoria na Eficiência de Uso de Energia (PUE) e implementação de soluções de armazenamento de energia para amortecer a intermitência renovável.

5. Educação e Cultura:

   • Identifica a necessidade de novos currículos para treinar cientistas em práticas digitais sustentáveis, incluindo codificação consciente de recursos e implicações éticas da IA.
   • Defende uma mudança cultural onde pesquisadores equilibram ativamente o ganho de conhecimento contra o uso de recursos.

6. Financiamento e Apoio Institucional:

   • Exige que agências de fomento apoiem posições de longo prazo para gestão de software e dados e incluam avaliações de pegada de carbono no planejamento de projetos.

Resultados e Ações Propostas
O resultado principal do artigo é a Tabela 2, uma lista priorizada de "Chamada à Ação" categorizada por cronograma de implementação:

• Imediato/Curto prazo: Conscientização, monitoramento do consumo de energia no nível de trabalho e consideração de pegadas de carbono no planejamento de projetos.
• Médio prazo (alguns anos): Implementação de práticas de dados FAIR, otimização de software para energia, adoção de gerenciamento de fluxo de trabalho e desenvolvimento de ferramentas para monitoramento de recursos.
• Longo prazo: Estabelecimento de data centers próximos a fontes de energia renovável, desenvolvimento de middleware dinâmico para agendamento consciente de energia e otimização de ciclos de vida de hardware.

O artigo também fornece dados técnicos específicos, como a divisão do consumo de energia do CERN (55% processamento, 21% armazenamento em disco) e o potencial de reduzir o consumo de energia de nós em 50% através da limitação da frequência de clock.

Significado e Alegações
Os autores afirmam que a comunidade ErUM possui as ferramentas e a expertise para desenvolver um plano realista de redução das emissões de CO2e sem sacrificar o progresso científico. Eles argumentam que a sustentabilidade não é meramente uma restrição ambiental, mas um motor para inovação em algoritmos, arquitetura de software e gerenciamento de infraestrutura.

O artigo afirma que a transição requer uma mudança "difícil, mas inevitável" de atitude e comportamento em todos os níveis da comunidade científica. Posiciona o portfólio proposto de medidas como um quadro necessário para alinhar a transformação digital da pesquisa ErUM com os objetivos do Acordo de Paris. Os autores concluem que, ao equilibrar conscientemente o ganho de conhecimento prospectivo com o uso de recursos, a comunidade pode alcançar ganhos de eficiência que, em última análise, acelerarão o progresso científico enquanto preservam as condições planetárias necessárias para a vida.