A previsão do tempo tem fama de ser inconstante - e a modelagem climática costuma ser ainda mais desafiadora. Mesmo assim, a capacidade de antecipar o que a natureza pode impor às sociedades vem melhorando de forma consistente, sobretudo por dois motivos: modelos mais sofisticados e mais poder de computação.
O “santo graal” da modelagem climática: previsão do tempo + clima em alta resolução
Um novo artigo, liderado por Daniel Klocke, do Instituto Max Planck, na Alemanha, descreve aquilo que parte da comunidade de modelagem climática chama de “santo graal” da área: um modelo de resolução quase quilométrica que une, no mesmo sistema, previsão do tempo e simulações de clima.
Na prática, a malha não é de exatamente 1 km² por célula. A resolução é de 1,25 km por “pedaço” modelado.
672 milhões de células para representar Terra e atmosfera
A essa altura, a diferença entre 1 km e 1,25 km é menos importante do que a escala do problema: para cobrir toda a superfície do planeta (continentes e oceanos), são necessárias cerca de 336 milhões de células. Os autores adicionaram ainda o mesmo número de células “atmosféricas” diretamente acima das células de superfície, totalizando 672 milhões de células calculadas.
Em cada uma delas, o sistema executa um conjunto de modelos interligados para representar os principais componentes dinâmicos da Terra. Para organizar essa complexidade, os pesquisadores dividiram os processos em dois grupos: “rápidos” e “lentos”.
Processos “rápidos”: energia e água (o tempo)
Entre os processos rápidos estão o ciclo de energia e o ciclo da água - em outras palavras, o que percebemos no dia a dia como tempo meteorológico. Para acompanhar esses fenômenos com nitidez, é necessária uma resolução muito alta, como os 1,25 km que o novo sistema alcança.
Como base, o trabalho utilizou o modelo ICON (ICOsahedral Nonhydrostatic), desenvolvido pelo Serviço Meteorológico Alemão em conjunto com o Instituto Max Planck de Meteorologia.
Processos “lentos”: ciclo do carbono, biosfera e química do oceano
Já os processos lentos incluem o ciclo do carbono, mudanças na biosfera e a geoquímica dos oceanos. Eles descrevem tendências que se desenrolam ao longo de anos ou décadas, e não em minutos - como o tempo que uma tempestade pode levar para atravessar de uma célula de 1,25 km para a seguinte.
O avanço central do artigo está justamente em combinar processos rápidos e lentos no mesmo modelo. Em geral, modelos que tentam incorporar esse conjunto de sistemas complexos precisam reduzir bastante o detalhe espacial para caber no orçamento computacional - tipicamente para resoluções acima de 40 km.
Como isso foi possível: engenharia de software + chips de ponta
Para chegar a esse nível de detalhe, os autores recorreram a uma mistura de engenharia de software profunda e hardware de última geração.
O código-base, usado como fundamento para boa parte do trabalho, foi escrito originalmente em Fortran, linguagem comum em computação científica mais antiga e notoriamente difícil de modernizar. Com o tempo, ele acumulou componentes e camadas extras que passaram a atrapalhar a adaptação a arquiteturas computacionais atuais.
A solução foi adotar um arcabouço chamado Programação Paralela Centrada em Dados (DaCe), que reorganiza o tratamento de dados para tornar o modelo mais compatível com sistemas modernos de alto desempenho.
(Em paralelo, divulgadores e pesquisadores também exploram o outro extremo: há quem teste se versões simplificadas de modelos climáticos conseguem rodar em hardware bem mais modesto, como um microcomputador do tipo Raspberry Pi.)
Supercomputadores JUPITER e Alpes e o chip GH200 Grace Hopper (Nvidia)
A infraestrutura usada no estudo inclui dois supercomputadores: o JUPITER, na Alemanha, e o Alpes, na Suíça. Ambos são baseados no novo chip GH200 Grace Hopper, da Nvidia.
Nessa arquitetura, uma GPU (da família Hopper, amplamente usada também em treino de IA) trabalha em conjunto com uma CPU (da linha Grace, baseada em ARM).
Essa divisão de tarefas permitiu executar os modelos “rápidos” na GPU, aproveitando sua capacidade de atualização veloz, enquanto os componentes mais lentos - como os do ciclo do carbono - rodaram em paralelo nas CPUs.
Desempenho: 145,7 dias simulados em 1 dia
Ao separar assim as exigências computacionais, os autores conseguiram usar 20.480 superchips GH200 para simular 145,7 dias em apenas 1 dia de tempo de máquina.
Para isso, o modelo operou com quase 1 trilhão de “graus de liberdade” - isto é, o total de valores que precisou calcular. Não é surpresa que um sistema desse tipo dependa de supercomputadores para funcionar.
Limites práticos e disputa por capacidade computacional
O lado menos animador é que modelos com esse nível de complexidade não devem chegar tão cedo a uma estação meteorológica local.
Computação nesse patamar é rara e cara, e empresas de tecnologia tendem a direcionar grande parte dessa capacidade para extrair o máximo possível de IA generativa, mesmo que isso reduza a disponibilidade de recursos para a modelagem climática.
Por que esse tipo de simulação importa (e o que ainda falta)
Se essa abordagem se tornar mais acessível, ela pode melhorar a representação de eventos extremos que dependem de detalhes finos - como tempestades severas, linhas de instabilidade e chuvas intensas - e, ao mesmo tempo, conectar esses eventos a tendências de longo prazo, como aquecimento, mudanças no ciclo do carbono e respostas de ecossistemas e oceanos.
Também vale considerar o custo energético: supercomputação consome muita eletricidade e exige infraestrutura complexa de refrigeração. Avanços como esse, portanto, tendem a caminhar junto com esforços para aumentar a eficiência energética dos centros de processamento e para ampliar o uso de eletricidade de baixo carbono, de modo que o ganho científico não venha acompanhado de impactos desproporcionais.
Disponibilidade do estudo
A pesquisa está disponível como pré-publicação no arXiv.
Este artigo foi publicado originalmente pelo Universo Hoje. Leia o artigo original.
Comentários
Ainda não há comentários. Seja o primeiro!
Deixar um comentário