Uma equipe da Universidade de Manchester, em colaboração com a equipe do NVIDIA Earth-2, desenvolveu um modelo baseado em inteligência artificial para simular e prever a poluição do ar em todo o Reino Unido, com resolução espacial de dois a três quilômetros. O projeto busca reduzir o alto custo computacional dos modelos tradicionais que combinam dados meteorológicos e interações químicas na atmosfera.
O trabalho é liderado por David Topping, professor do Departamento de Ciências da Terra e Ambientais da Universidade de Manchester. A equipe utilizou dados de poluição gerados por uma simulação químico-climática, cobrindo um ano inteiro em intervalos de uma hora, e então treinou um modelo Earth-2 CorrDiff para gerar mapas mais detalhados da distribuição dos poluentes. Segundo a NVIDIA, o modelo foi bem-sucedido na primeira tentativa de treinamento.
Da simulação química à previsão rápida
Os modelos tradicionais de qualidade do ar exigem cálculos intensivos devido à inclusão da química atmosférica nos modelos meteorológicos, o que limita o nível de detalhe e o número de execuções. A equipe de Manchester tentou usar estruturas de inteligência artificial generativa desenvolvidas pela NVIDIA para o clima e a meteorologia, com o objetivo de trabalhar com “campos” de poluição em vez de calcular todas as interações da maneira tradicional.
O treinamento utilizou um único nó equipado com oito unidades de processamento gráfico no supercomputador britânico Isambard-AI, em Bristol. O sistema conta com 5.448 chips NVIDIA GH200 Grace Hopper Superchip, com capacidade anunciada de 21 exaflops para cargas de trabalho de inteligência artificial. O treinamento levou dois dias, segundo o material publicado.
Posteriormente, a equipe adicionou o modelo Earth-2 StormCast para produzir previsões baseadas no tempo e utilizar diretamente observações de qualidade do ar. Os pesquisadores também demonstraram fluxos de treinamento e inferência no sistema desktop NVIDIA DGX Spark, equipado com o chip GB10 Grace Blackwell. Topping afirma que ter um dispositivo DGX Spark em seu escritório permite retreinar os modelos e realizar treinamentos menores longe do supercomputador.
Por que esse avanço é importante?
O material afirma que a poluição do ar contribuiu para cerca de 30 mil mortes no Reino Unido durante o ano passado, o que torna a melhoria das previsões diretamente relevante para a saúde pública. Os serviços de saúde poderiam utilizar essas previsões para informar pacientes com condições como asma sobre um aumento esperado da poluição em sua região no dia seguinte ou durante a semana seguinte.
A equipe também está testando a conexão do modelo a dispositivos de inteligência artificial de ponta que recebem medições de qualidade do ar em tempo real. Entre as aplicações propostas está o apoio a decisões rápidas durante incêndios florestais, além do uso do modelo para simular o impacto de possíveis mudanças nas políticas governamentais relacionadas à poluição.
O que muda na prática?
A principal mudança é a transição de fluxos de trabalho centralizados e caros para um modelo que pode ser executado, pelo menos para inferência e alguns treinamentos, em um computador desktop. A equipe planeja aumentar a resolução do modelo para o nível das ruas por meio da integração de dados públicos adicionais e também pretende publicar os dados de treinamento e os fluxos de trabalho em código aberto, para que outros países e cidades possam desenvolver modelos locais com seus próprios dados.
No entanto, o material não apresenta resultados quantitativos detalhados sobre a precisão da previsão em comparação com os modelos químicos tradicionais, nem comprova ainda a operação de um serviço de saúde ou sistema público de alerta baseado no modelo. Portanto, as promessas relacionadas a previsões em tempo real e aplicações clínicas continuam sendo objetivos em exploração, e não serviços já disponíveis. A importância do projeto, neste momento, está em demonstrar a possibilidade de transferir as estruturas do Earth-2 para o campo da poluição do ar e reduzir a barreira de acesso às ferramentas de modelagem, enquanto a validação independente, a qualidade dos dados locais e o momento da publicação dos recursos abertos continuam sendo questões que precisam de respostas.