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

Este artigo descreve os esforços da colaboração ATLAS para avaliar e mitigar o impacto ambiental e as emissões de carbono de sua vasta infraestrutura de computação distribuída, visando implementar políticas e configurações que reduzam significativamente a pegada ecológica na era do HL-LHC.

O essencial

Imagine que o experimento ATLAS no CERN é como um gigantesco detetive digital que procura por novas partículas no universo. Para fazer isso, ele precisa de uma "fábrica de dados" espalhada pelo mundo inteiro, com milhões de computadores trabalhando ao mesmo tempo.

O problema? Essa fábrica consome muita energia e deixa uma "pegada" no planeta, assim como um carro velho que fuma muito. Com o aumento da tecnologia nos próximos anos (chamado de HL-LHC), essa fábrica vai crescer 3 ou 4 vezes, o que poderia dobrar o dano ambiental se nada fosse feito.

Este artigo é um manual de sobrevivência verde para essa fábrica. Ele explica como o ATLAS está tentando fazer sua "limpeza" para não sujar o planeta enquanto descobre os segredos do universo.

Aqui estão os principais pontos, explicados de forma simples:

1. O "Espelho" da Consciência (Educação)

Antes de consertar o motor, você precisa saber que ele está gastando muita gasolina.

• A Analogia: Imagine que cada vez que um cientista pede para o computador rodar um programa, ele recebe um recibo que diz: "Isso aqui custou X quilos de poluição".
• O que fazem: O sistema avisa os usuários: "Seu código é ineficiente e está desperdiçando energia". Isso não é para envergonhar, mas para lembrar que cada decisão conta. Se o código for mais rápido, o planeta agradece.

2. A "Caixa de Ferramentas" de Economia (Políticas)

O ATLAS mudou as regras do jogo para economizar recursos sem perder dados.

• Compactar Arquivos: É como usar um zipper para fechar malas de viagem. Eles comprimem os dados gigantes para caberem em menos espaço. O computador gasta um pouquinho de energia para apertar o arquivo, mas economiza uma montanha de espaço em disco (que consome energia o tempo todo).
• O "Carrossel de Dados": Imagine que você tem uma estante de livros (disco rápido) e um porão (fitas magnéticas lentas). Em vez de deixar todos os livros na estante, eles colocam os livros que ninguém lê no porão. Quando alguém precisa, o livro é trazido de volta. Fitas são mais baratas e "poluem" menos que discos rápidos.
• Reproduzir em vez de Guardar: Às vezes, guardar um arquivo "só por segurança" é desperdício. É melhor ter uma "máquina do tempo" que consegue recriar o arquivo em 1 ou 2 dias se alguém precisar, em vez de ocupar espaço físico o tempo todo.

3. A "Dança com o Sol e o Vento" (Energia Renovável)

A energia da rede elétrica muda de "sujeira" para "limpeza" dependendo da hora do dia.

• A Analogia: Imagine que a energia solar é como uma chuva de moedas que cai apenas ao meio-dia. Se você tentar lavar o carro à noite, gasta água encanada (energia suja). Se lavar ao meio-dia, usa a chuva (energia limpa).
• O que fazem: Eles programam as tarefas pesadas (como limpar o disco ou fazer backups) para rodar exatamente quando há muito sol ou vento, e param quando a rede está suja. É como esperar a chuva para regar o jardim.

4. O "Ajuste Fino" do Motor (Hardware e Resfriamento)

Os computadores podem ser ajustados para trabalhar de forma mais inteligente.

• Velocidade do Processador: Às vezes, rodar o processador um pouco mais devagar (como um carro em marcha lenta) economiza muita energia e não deixa o trabalho ficar mais lento, porque a tarefa é limitada por outras coisas (como a memória).
• Resfriamento a Água: Em vez de usar ventiladores barulhentos que empurram ar quente (como um secador de cabelo), eles estão usando água para resfriar os chips. É como trocar o ventilador de um computador por um ar-condicionado de piscina. É mais eficiente e permite usar o calor gerado para aquecer prédios vizinhos (como se o calor do computador aquecesse a água da torneira da cidade).

5. O "Fim do Desperdício" (Reparos e Otimização)

Muitas vezes, o computador roda tarefas que falham e precisam ser reiniciadas.

• A Analogia: É como tentar abrir uma porta emperrada. Se você empurra 10 vezes e ela não abre, você gasta energia à toa. O sistema agora aprende a identificar por que a porta está emperrada antes de tentar de novo, ou para de tentar se for impossível.
• Dados Órfãos: Eles limpam arquivos que ninguém nunca mais olhou, como limpar a geladeira jogando fora o iogurte vencido que ninguém queria.

Conclusão: Por que isso importa?

O objetivo não é parar a ciência, mas fazer a ciência de forma inteligente.
O ATLAS quer garantir que, quando eles descobrirem algo incrível sobre o Big Bang ou novas partículas, essa descoberta não tenha custado o futuro do nosso planeta. Eles estão mostrando que é possível ser um gigante tecnológico e, ao mesmo tempo, um bom vizinho para a Terra.

É como se dissessem: "Vamos continuar explorando o universo, mas vamos levar apenas o necessário, usar a energia do sol quando possível e não deixar lixo para trás."

Resumo técnico

Resumo Técnico: Impacto Ambiental, Emissões de Carbono e Sustentabilidade da Computação no Experimento ATLAS

1. O Problema

O experimento ATLAS no Grande Colisor de Hádrons (LHC) opera uma infraestrutura de computação massiva e globalmente distribuída, utilizando cerca de 600.000 a 700.000 núcleos de CPU e mais de 106 TB de dados armazenados em disco e fita. Com a chegada do LHC de Alta Luminosidade (HL-LHC) na década de 2030, a demanda por recursos computacionais deve aumentar por um fator de 3 a 4, chegando a mais de 1 milhão de núcleos e exigindo armazenamento na ordem de petabytes adicionais até o início da década de 2040.

Sem medidas de mitigação, esse crescimento exponencial resultará em um aumento significativo da pegada de carbono do experimento. O desafio reside em equilibrar a necessidade crítica de processamento de dados para a física de partículas com a urgência global de reduzir as emissões de gases de efeito estufa. A questão não é apenas o consumo energético operacional (Scope 2), mas também o carbono incorporado na fabricação de hardware e na construção de data centers (Scope 3), além da complexidade de gerenciar uma rede heterogênea com diferentes intensidades de carbono na rede elétrica e eficiências energéticas.

2. Metodologia

O estudo adota uma abordagem multifacetada para avaliar e mitigar o impacto ambiental, dividindo as ações em quatro categorias principais:

• Conscientização e Monitoramento: Implementação de ferramentas no sistema de gerenciamento de fluxo de trabalho (PanDA) para estimar a pegada de carbono de cada trabalho (job) executado. O sistema utiliza dados de intensidade de carbono da rede elétrica (via Electricity Maps) e estimativas de consumo de energia por núcleo (padrão de 10 W/núcleo).
• Políticas Experimentais: Análise de políticas de computação existentes para identificar oportunidades de redução de desperdício, como compressão de dados, uso de armazenamento em fita (tape) versus disco, e estratégias de reprodutibilidade de dados.
• Ações Específicas de Sítios e Usuários: Investigação de técnicas de otimização de hardware, como ajuste de frequência de CPU (frequency scaling), uso de benchmarks específicos (HEPScore) para medir eficiência (HS23 por Watt) e adaptação de cargas de trabalho à disponibilidade de energia renovável.
• Ações Gerais de Data Centers: Revisão de práticas de construção de data centers, sistemas de refrigeração (ar vs. líquido), reutilização de calor residual e otimização de tarefas de fundo em sistemas de armazenamento.

A metodologia baseia-se no protocolo de relato corporativo de Gases de Efeito Estufa (GHG Protocol), focando principalmente nas emissões diretas (Scope 1), indiretas de eletricidade (Scope 2) e carbono incorporado (Scope 3).

3. Principais Contribuições e Descobertas

A. Conscientização e Redução de Desperdício:

• O sistema PanDA agora fornece aos usuários relatórios de pegada de carbono para seus trabalhos, incentivando a otimização de código.
• Identificou-se que trabalhos de usuários falhos e retrabalhados são uma fonte significativa de desperdício. Foram implementados limites de retentativas e ferramentas de "scout" (trabalhos de teste iniciais) para evitar o consumo de recursos em tarefas que falharão.
• A reprodutibilidade de dados (recriar dados em vez de armazená-los indefinidamente) foi analisada. Descobriu-se que, para períodos de armazenamento inferiores a um ano, a recriação sob demanda é ambientalmente mais eficiente do que o armazenamento em disco, dado o baixo custo de energia de CPU comparado ao custo contínuo de armazenamento.

B. Otimização de Hardware e Software:

• Ajuste de Frequência (Frequency Scaling): Estudos demonstraram que reduzir a frequência da CPU (abaixo do design nominal) melhora significativamente a eficiência (HS23 por Watt) para cargas de trabalho do ATLAS, que são frequentemente limitadas por acesso à memória e não apenas por ciclos de CPU.
• Benchmarking: O uso do HEPScore (um benchmark específico para HEP) em vez de benchmarks genéricos como o LINPACK permitiu uma avaliação mais precisa da eficiência energética de diferentes arquiteturas de CPU (incluindo ARM e x86).
• Gestão de Ciclo de Vida: A discussão sobre a vida útil do hardware sugere que, em redes com baixa intensidade de carbono, estender a vida útil do hardware (amortizando o carbono incorporado) pode ser preferível à substituição frequente, embora isso dependa da eficiência energética dos novos modelos.

C. Infraestrutura e Refrigeração:

• Refrigeração Líquida: A transição de refrigeração a ar para líquida (especialmente em data centers mais antigos ou em climas quentes) pode reduzir o consumo de energia de refrigeração em 15-20% ou mais.
• Reutilização de Calor: A captura de calor residual para aquecimento de edifícios ou água é uma estratégia viável para reduzir o impacto líquido, potencialmente levando a um Energy Reuse Efficiency (ERE) abaixo de 0,6.
• Deslocamento Temporal de Cargas: Ajustar tarefas de fundo (como backups e verificação de dados) para horários de baixa intensidade de carbono na rede elétrica pode reduzir as emissões operacionais em até 82% em certas regiões (ex: CAISO).

D. Políticas de Dados:

• A adoção de novos formatos de dados (como o RNTuple) e algoritmos de compressão pode reduzir o espaço de armazenamento em 15-20%, diminuindo a necessidade de hardware e energia de refrigeração.
• O uso de fitas magnéticas (tape) para dados arquivados é preferível ao disco, devido ao menor consumo de energia e menor carbono incorporado por TB.

4. Resultados Quantitativos e Qualitativos

• Eficiência Energética: A otimização de software aumentou a eficiência de trabalhos de simulação Monte Carlo em cerca de 5% nos últimos três anos, reduzindo o tempo por evento em quase 50%.
• Economia de Energia: A implementação de auto-exclusion (desligamento automático de sítios com falhas) pelo sistema HammerCloud economiza energia ao evitar que CPUs fiquem ociosas processando tarefas falhas.
• Impacto de Políticas: A mudança de políticas de armazenamento (ex: usar fita em vez de disco para dados raros) e a reprodutibilidade sob demanda podem reduzir significativamente a pegada de carbono sem comprometer a física.
• Cenário Futuro: Projeções indicam que, à medida que as redes elétricas se descarbonizam, a importância do carbono incorporado (Scope 3) aumentará em relação ao carbono operacional (Scope 2), exigindo uma mudança no foco de otimização para a eficiência do ciclo de vida completo do hardware.

5. Significância

Este trabalho é fundamental para a comunidade de Física de Altas Energias (HEP) e para o setor de computação de alto desempenho em geral. Ele demonstra que:

1. Sustentabilidade e Ciência são Compatíveis: Medidas para reduzir o impacto ambiental (como otimização de código e políticas de dados inteligentes) frequentemente resultam em economia financeira e melhoria na eficiência científica.
2. Necessidade de Abordagem Holística: Não basta focar apenas no consumo de energia (Scope 2); é necessário considerar o carbono incorporado (Scope 3) e o ciclo de vida completo dos equipamentos.
3. Escalabilidade: As estratégias desenvolvidas pelo ATLAS servem como modelo para outros experimentos e para a indústria de TI, especialmente na era da IA e do HL-LHC, onde o crescimento de recursos é inevitável.
4. Tomada de Decisão Informada: O estudo fornece diretrizes concretas para administradores de sítios, desenvolvedores e gestores de políticas sobre como comprar, configurar e operar data centers de forma sustentável, garantindo que a física de partículas continue a avançar sem agravar a crise climática.

Em suma, o artigo estabelece um roteiro para a transição da computação do ATLAS para um modelo de "High-Luminosity, Low-Carbon", integrando a sustentabilidade no núcleo da estratégia de computação do experimento.