MODELOS CLIMÁTICOS: TRINTA ANOS DE COMPUTAÇÃO, E A CHUVA AINDA É DIFÍCIL

Os modelos climáticos fornecem boa parte das evidências por trás da política climática. Desde 1995, um programa internacional chamado CMIP — Coupled Model Intercomparison Project, o projeto de intercomparação de modelos acoplados — os executa lado a lado, geração após geração, segundo regras comuns. Cada geração usou grades mais finas e mais física e, portanto, mais computação. O que ninguém acompanha, segundo uma equipe de 24 pesquisadores liderada por Ioana Colfescu (Universidade de St Andrews e Centro Nacional de Ciências Atmosféricas do Reino Unido), é quanta energia isso custa e o que essa energia compra.

159 modelos, uma única pontuação de erro

A equipe recalculou um único índice de erro para 159 modelos de cinco gerações do CMIP, a partir dos resultados arquivados: quanto o clima de inverno de cada modelo (1979–1999) se afasta das observações, para três variáveis — pressão do ar ao nível do mar, temperatura do ar na superfície e precipitação. Apenas essas três, porque a segunda geração não arquivou mais nada. Quanto menor, melhor.

O erro mediano cai de 1,56 na primeira geração para 0,61 na sexta. No mesmo período, a computação necessária para um modelo típico, estimada a partir da resolução da sua grade, cresceu cerca de 29 vezes.

Uma taxa de retorno constante

Geração após geração, o erro cai 21, 28, 21 e 14% — uma série irregular. Mas, quando medido em relação à computação que cada etapa acrescentou, o padrão fica regular: 13,5% menos erro por duplicação da computação, com uma dispersão de apenas 0,7 ponto nas três transições em que a comparação é possível.

Essa taxa leva a um cálculo simples e preocupante. Reduzir o erro pela metade exige cerca de 4,8 duplicações, “porque 0,865 elevado a 4,8 é 0,5”, escrevem os autores — e 4,8 duplicações significam cerca de 28 vezes mais computação do que a dos modelos atuais. Enquanto isso, o aumento da computação entre gerações desacelerou, de 2,2 duplicações para 1,1.

Os autores são cautelosos sobre o que isso significa. Uma física melhor também aperfeiçoa os modelos, e as duas coisas não podem ser separadas; assim, os 13,5% medem o retorno conjunto da computação e da ciência. E descrevem o progresso passado, não uma lei da natureza.

A chuva fica para trás

Uma única pontuação esconde grandes diferenças. Entre a primeira e a sexta geração, o erro na pressão ao nível do mar caiu 3,5 vezes, e na temperatura da superfície 2,7 vezes. Na precipitação, caiu 7%. Três décadas de resolução e complexidade adicionais mal melhoraram, segundo essa medida, a variável que mais importa para os impactos do clima.

Uma energia que ninguém mede

Os relatos de energia são irregulares. As oito instituições que publicaram dados completos para a geração mais recente somam 1.692 toneladas de CO₂. Entre os 13 modelos com energia medida, a energia por ano simulado varia 65 vezes, e quase não acompanha a resolução. De 30 instituições, nove publicam números de energia padronizados, e nenhuma relata a energia vinculada a uma pontuação de desempenho.

Modelos meteorológicos de IA como GraphCast, Pangu-Weather, FuXi e GenCast já igualam ou superam a previsão de alta resolução do Centro Europeu. Diz-se que são muito mais baratos de rodar. Mas a equipe não encontrou nenhuma medição publicada da energia necessária para produzir as suas previsões, por isso a reconstruiu a partir do hardware e dos tempos de execução relatados. Depois acrescentou o treinamento: cerca de 2.900 kWh para o GraphCast, 62.000 kWh para o Pangu-Weather. Ao longo de um ano com quatro previsões por dia, o treinamento representa mais de 99% da energia de cada sistema, e o Pangu-Weather cai do segundo para o último lugar em desempenho por quilowatt-hora.

Uma fronteira em vez de uma escada

O roteiro propõe julgar os modelos num plano desempenho–energia: o desempenho num eixo, a energia no outro, e o conjunto de sistemas que nenhum outro supera nos dois. Uma pontuação, o desempenho dividido pela energia, pode classificar sistemas dentro de uma mesma categoria, mas os autores alertam que ela nunca deve ser usada sozinha: um modelo quase inútil que consome quase nenhuma energia teria uma boa nota. Também propõem cinco níveis de relato de energia, de “relatado” a “completo e auditado”, e quatro maneiras de fazer mais com menos: experimentos mais bem planejados, novo hardware como as GPUs, menos movimentação de dados e componentes de IA direcionados.

Eles também apontam os riscos: execuções mais baratas podem simplesmente significar mais execuções, e o treinamento de grandes modelos meteorológicos continua concentrado em poucas organizações e países. O primeiro passo que propõem é modesto. Relatar a energia ao lado da precisão, com limites claros, antes que a próxima geração de modelos — o CMIP8 — comece.