Kiedy superkomputer zmieści się na biurku, nauka o smogu przestaje być przywilejem bogatych

👁 114 przeczytań

Jest takie zdanie w nauce, które brzmi jak wyrok: nie mamy mocy obliczeniowej. Przez dekady oznaczało ono koniec dyskusji. Chcesz prognozować jakość powietrza z dokładnością do kilku kilometrów kwadratowych, uwzględniając chemię atmosferyczną, godzinę po godzinie, dla całego kraju? Kosztowne, wolne, niedostępne. David Topping z Uniwersytetu Manchesteru postanowił sprawdzić, czy ten wyrok można obalić - pożyczając metody od prognozy pogody.

Chemia spowalnia wszystko

Tradycyjne modele jakości powietrza działają na podstawie obliczenia chemiczne osadzone wewnątrz modeli pogodowych. Problem jest fundamentalny: każda reakcja chemiczna to dodatkowe równania, a te mnożą czas obliczeń wykładniczo. Zanieczyszczenie powietrza odpowiada za szacunkowo 30 000 zgonów rocznie w samej Wielkiej Brytanii - a mimo to dokładne, regularne prognozy pozostają luksusem instytucji z największymi budżetami obliczeniowymi.

Topping spojrzał na to, co NVIDIA Earth-2 zrobiło dla meteorologii - generatywne modele AI, które uczą się wzorców klimatycznych i pogodowych bez konieczności rozwiązywania równań fizycznych od podstaw przy każdej prognozie - i zadał proste pytanie: dlaczego to samo nie miałoby działać dla pól zanieczyszczeń? „Największym wyzwaniem jest moc obliczeniowa potrzebna do prognozowania jakości powietrza” - powiedział. „Gdy tylko dodasz chemię do modeli pogodowych, stają się naprawdę, naprawdę wolne.”

Dwa dni zamiast wielu miesięcy

Zespół wziął rok danych o zanieczyszczeniu Wielkiej Brytanii symulowanych w interwałach godzinnych i wytrenował na nich Earth-2 CorrDiff - generatywny model downscalingu - na superkomputerze Isambard-AI w Bristolu. To krajowy superkomputer AI Wielkiej Brytanii wyposażony w 5448 układów NVIDIA GH200 Grace Hopper, oferujący 21 eksaflopsów wydajności AI. Cały trening zajął dwa dni na pojedynczym węźle z ośmioma GPU.

Model zadziałał za pierwszym razem. To zdanie, które w nauce obliczeniowej brzmi niemal jak cud - ale tu ma konkretne wytłumaczenie. Earth-2 CorrDiff był już zaprojektowany do nauki przestrzennych wzorców z danych geofizycznych. Pola zanieczyszczeń mają podobną strukturę statystyczną do pól pogodowych: gradienty, korelacje przestrzenne, cykliczne wzorce dobowe. Model nie musiał uczyć się chemii atmosferycznej - musiał nauczyć się geometrii smogu.

Następnie zespół dodał Earth-2 StormCast, model umożliwiający prognozy zależne od czasu, który bezpośrednio wykorzystuje obserwacje jakości powietrza. Wynikowy system pozwala modelować Wielką Brytanię z rozdzielczością 2-3 kilometrów kwadratowych - poziom szczegółowości, który wcześniej byłby nie do osiągnięcia przy takich zasobach.

Z superkomputera na biurko

Tu zaczyna się naprawdę ciekawa część. Po wytrenowaniu model działa na NVIDIA DGX Spark - urządzeniu, które Niall Robinson, menedżer ds. relacji z deweloperami ds. pogody i klimatu w NVIDIA, opisał bez ogródek: „Fakt, że ten model wytrenował się w dwa dni na Isambard-AI - i może teraz działać na DGX Spark stojącym na biurku - zmienia to, kto może uprawiać tę naukę i jak szybko.”

To przesunięcie jest nietrywialnym faktem instytucjonalnym. Dotychczas zaawansowane modele jakości powietrza były zarezerwowane dla jednostek z dostępem do infrastruktury HPC - krajowych ośrodków obliczeniowych, dużych agencji środowiskowych, bogatych uniwersytetów. Gdy wnioskowanie można uruchomić na urządzeniu wielkości grubszego laptopa, bariera wejścia spada o kilka rzędów wielkości. Lokalny urząd zdrowia w Manchesterze, regionalna straż pożarna, mała firma ubezpieczeniowa - każda z nich może potencjalnie korzystać z modelu, który jeszcze rok temu wymagałby kolejki na czas maszynowy na superkomputerze.

Od modelu do pacjenta

Topping ma bardzo konkretne wyobrażenie zastosowań. Regionalne i krajowe służby zdrowia mogłyby aktywnie kontaktować się z pacjentami chorymi na astmę, informując ich, że jutro lub w przyszłym tygodniu jakość powietrza w ich okolicy będzie zła. Brzmi jak banał? Dziś takie ostrzeżenia są wyjątkiem, nie regułą - właśnie dlatego, że generowanie prognoz w wymaganej rozdzielczości czasowej i przestrzennej jest zbyt kosztowne.

Drugi kierunek to integracja z urządzeniami edge AI zbierającymi dane o jakości powietrza w czasie rzeczywistym - co otwiera możliwość reagowania na zdarzenia dynamiczne, jak pożary lasów. Model przestaje być narzędziem retrospektywnym lub planistycznym, staje się elementem systemu reagowania kryzysowego.

Doktorant Hao Zhang, który trenował StormCast na Isambard-AI, ujął to bez zbędnej retoryki: „Dopiero zaczynamy odkrywać, jak używać tych frameworków na różne sposoby do modelowania złożonych pól zanieczyszczeń.” To uczciwe zdanie - nie obietnica bez pokrycia, lecz opis punktu startowego.

Zanieczyszczenie powietrza zabija trzydzieści tysięcy Brytyjczyków rocznie nie dlatego, że nie umiemy go mierzyć. Zabija między innymi dlatego, że precyzyjna wiedza o tym, gdzie i kiedy będzie najgorzej, była zbyt droga, żeby istnieć w odpowiedniej skali. Dwa dni na superkomputerze i program działający na biurkowym urządzeniu to nie jest rewolucja dla nauki - to rewolucja dla tego, kto może naukę stosować.