A poluição atmosférica representa um risco crítico para a saúde pública, sendo responsável por cerca de 30 mil mortes anuais no Reino Unido. Tradicionalmente, a modelação da qualidade do ar baseia-se em simulações químicas complexas que exigem um poder computacional elevado, tornando o processo dispendioso e lento. Perante este desafio, David Topping, professor no departamento de Ciências da Terra e do Ambiente da Universidade de Manchester, procurou alternativas na família de modelos de inteligência artificial Earth-2 da NVIDIA, originalmente concebida para previsões meteorológicas e climáticas.
Em colaboração com a equipa da NVIDIA, os investigadores utilizaram dados de simulações climáticas para treinar o modelo Earth-2 CorrDiff, um sistema de redução de escala generativa. O treino foi realizado no Isambard-AI, o supercomputador nacional de inteligência artificial do Reino Unido, localizado em Bristol. O processo revelou-se notavelmente eficiente, demorando apenas dois dias para criar um modelo detalhado de poluição a nível nacional, com uma resolução de dois a três quilómetros quadrados, utilizando apenas um nó de oito unidades de processamento gráfico.
A equipa expandiu posteriormente o projeto ao integrar o Earth-2 StormCast, permitindo previsões dependentes do tempo que incorporam observações diretas da qualidade do ar. Esta abordagem permite não apenas analisar dados históricos, mas também prever cenários futuros, como o impacto de alterações nas políticas governamentais relacionadas com a poluição. Além disso, a versatilidade do sistema permite que os fluxos de trabalho de inferência e treino de menor escala sejam executados no NVIDIA DGX Spark, um sistema de supercomputação pessoal que pode ser instalado num escritório.
As aplicações práticas desta tecnologia são vastas e incluem a possibilidade de serviços de saúde regionais e nacionais alertarem proativamente pacientes com patologias respiratórias, como a asma, sobre picos de poluição previstos. A equipa de investigação está também a explorar a integração de dados em tempo real provenientes de dispositivos de IA na periferia, o que permitiria uma tomada de decisão imediata em situações de emergência, como incêndios florestais. A eficiência energética do modelo foi destacada por Simon McIntosh-Smith, diretor do Centro de Supercomputação de Bristol, pelo baixo consumo de horas de GPU.
Com o objetivo de promover a ciência aberta, os investigadores planeiam disponibilizar publicamente os dados de treino e os fluxos de trabalho utilizados. A ambição de Topping é que países e cidades de todo o mundo possam replicar este modelo, utilizando os seus próprios dados locais para gerar previsões detalhadas. A longo prazo, a visão da equipa aponta para o desenvolvimento de interfaces baseadas em agentes, onde decisores políticos ou clínicos possam obter respostas diretas sobre a qualidade do ar em bairros específicos através de consultas simples.
Porque importa
A aplicação de modelos generativos de IA na previsão da qualidade do ar democratiza o acesso a ferramentas de análise ambiental complexas. Ao reduzir a dependência de supercomputadores massivos para tarefas diárias, esta tecnologia permite que autoridades de saúde e governos tomem decisões informadas e rápidas para proteger populações vulneráveis, transformando a gestão da saúde pública e a resposta a crises ambientais.