Universidade de Manchester usa IA da NVIDIA para prever poluição do ar no Reino Unido

Pesquisadores da Universidade de Manchester adaptam modelos generativos da NVIDIA, criados para prever o tempo, para antecipar a poluição do ar no Reino Unido. A poluição atmosférica contribuiu para uma estimativa de 30.000 mortes no país no último ano. O modelo CorrDiff, treinado no supercomputador Isambard-AI, em Bristol, gera mapas nacionais com resolução espacial de cerca de 2 a 3 km².

David Topping, professor do departamento de Ciências da Terra e Ambientais da universidade, lidera o projeto e propõe usar os mesmos modelos generativos criados para previsão do tempo em campos de poluição atmosférica. A escolha responde a uma limitação antiga: simulações químico-climáticas tradicionais custam caro e limitam a resolução e a frequência das previsões de qualidade do ar. O treinamento do CorrDiff leva apenas dois dias, rodado em um único nó de oito GPUs do supercomputador.

O Isambard-AI reúne 5.448 superchips NVIDIA GH200 Grace Hopper — que juntam CPU e GPU num só componente — e entrega 21 exaflops de desempenho de IA, medida de operações de ponto flutuante por segundo. A equipe também incorpora o modelo Earth-2 StormCast, que gera previsões de poluição a partir das condições do tempo e de observações diretas de qualidade do ar.

Hao Zhang, doutoranda da universidade, treina esse segundo modelo, também no Isambard-AI. O mesmo fluxo de trabalho generativo roda ainda em um sistema de mesa NVIDIA DGX Spark, equipado com o superchip GB10 Grace Blackwell, usado para inferência e treinamentos de menor escala fora do supercomputador principal.

Ficha técnica

Do supercomputador ao desktop do pesquisador

Depois de pronto, o modelo não precisa mais desse poder todo.

Essa versão menor faz a inferência do dia a dia e treina variações reduzidas do modelo sem depender do cluster completo. A diferença de escala muda quem consegue usar a ferramenta.

Segundo Topping, esses modelos podem ser montados com poucos milhares de dólares em hardware local. Isso abre espaço para universidades e agências ambientais menores, que não têm acesso a um supercomputador nacional, replicarem parte do método com equipamento próprio.

A plataforma Earth-2, da NVIDIA, reúne ferramentas de IA para prever tempo e clima, com modelos como o CorrDiff e o StormCast. Antes de chegar a Manchester, esses frameworks já rodavam em previsões subsazonais — que estimam o clima com duas semanas ou mais de antecedência — usadas por universidades como Berkeley e Washington, além de seguradoras como a JBA e a AXA. O custo computacional é menor: rodar esses modelos generativos consome menos recursos que os métodos tradicionais sem aprendizado de máquina.

A modelagem convencional de qualidade do ar segue outro caminho, dependente de simulações químico-climáticas caras. Esse processo limita a resolução espacial e a frequência das previsões geradas. O grupo de Manchester rompe com esse padrão ao redirecionar frameworks criados para o clima direto para campos de poluição atmosférica — a primeira adaptação conhecida desse tipo. O trabalho usa a infraestrutura do Isambard-AI, o supercomputador nacional britânico sediado em Bristol.

Química deixa os modelos de previsão lentos

“O maior desafio é o poder computacional necessário para prever a qualidade do ar”, diz Topping (em tradução livre). Modelos tradicionais de previsão perdem velocidade quando somam cálculos químicos aos meteorológicos. Isso empurrou a equipe a testar os frameworks generativos da NVIDIA fora do clima.

A motivação do projeto passa pela saúde pública. “Para melhorar a saúde humana, é essencial entender o impacto dos estressores ambientais no ar que respiramos”, afirma o pesquisador (em tradução livre).

Segundo ele, o modelo nacional de poluição permite simular cenários futuros. Um exemplo é testar o efeito de diferentes políticas de controle de emissões sobre a qualidade do ar respirado pela população britânica.

StormCast leva a poluição além do mapa fixo

O StormCast leva o projeto além do mapa estático que o CorrDiff produz. O modelo incorpora observações diretas de qualidade do ar e ajusta a previsão conforme as condições do momento mudam, em vez de fixar um retrato único da poluição. Isso aproxima a previsão de poluentes do funcionamento normal da previsão meteorológica, que já lida com variações a cada hora.

Com CorrDiff e StormCast rodando lado a lado, a equipe de Manchester passa a testar previsões que somam padrões meteorológicos e níveis reais de poluentes numa única saída. Esse cruzamento pode mudar como cidades britânicas monitoram picos de poluição, hoje dependentes de simulações mais lentas. Hao Zhang, doutoranda do departamento liderado por Topping, treinou o StormCast no Isambard-AI.

• #ciencia
• #software