Descubre cómo los algoritmos eficientes reducen la huella de carbono en pronósticos meteorológicos. Conoce el caso del radar MRL-5M cubano modernizado por LADETEC que multiplica observaciones y ahorra energía.
El tema de la energía ha pasado a primer plano en los últimos 60 años. Antes nadie se preocupaba cuánta energía demandaba un equipo para su funcionamiento. Ahora la preocupación se desplaza del hardware al software. Tradicionalmente, los algoritmos se evaluaban casi exclusivamente por su rendimiento (precisión, velocidad). Sin embargo, el auge de modelos de inteligencia artificial (IA) cada vez más grandes y complejos ha llevado a la comunidad científica a desarrollar nuevas formas de medir su sostenibilidad. Ya no se trata solo de «qué tan bueno es un algoritmo», sino de «a qué costo ambiental opera». Pero, comencemos por explicar eso de «la huella de Carbono» de la que tanto hablan.
¿Qué es la huella de carbono?
La Huella de Carbono es una métrica que cuantifica el impacto de una actividad, producto o servicio sobre el cambio climático, expresada generalmente en toneladas o kilogramos de dióxido de carbono equivalente (CO₂e). Este indicador mide la cantidad total de gases de efecto invernadero (GEI) emitidos directa o indirectamente a lo largo de todo su ciclo de vida. En el contexto de la tecnología, la huella de carbono de un algoritmo o modelo de inteligencia artificial proviene principalmente de la electricidad consumida por los servidores y centros de datos que lo entrenan y ejecutan, así como de la energía y los materiales necesarios para fabricar ese hardware. Por lo tanto, un algoritmo más eficiente no solo es más rápido, sino que también tiene una huella de carbono menor, convirtiéndose en una alternativa más sostenible.
Evaluación de Algoritmos por su Huella de Carbono
Herramientas de Estimación y Seguimiento: Se han desarrollado bibliotecas de software que los desarrolladores pueden integrar en su código para medir el consumo energético y las emisiones de CO₂ equivalentes en tiempo real. Ejemplos como CodeCarbon o el ML Emissions Calculator permiten a los investigadores cuantificar el impacto de sus experimentos .
Nuevas Métricas de Evaluación: Han surgido propuestas para ir más allá de la precisión. Por ejemplo, el «FMS» (sustainable harmonic mean) integra el consumo acumulado de energía con el rendimiento del algoritmo, y el «ASC» (area under the sustainability curve) traza el rendimiento frente al consumo energético a lo largo del tiempo para entender la eficiencia del modelo.
Métodos de Estimación: Existen principalmente dos enfoques para calcular este impacto, cada uno con sus ventajas y limitaciones . La siguiente tabla los compara:
Como puede ver mi fiel lector, el campo de la «IA sostenible» o «Green AI» está madurando y proporcionando las herramientas necesarias para que los algoritmos sean evaluados no solo por su precisión, sino también por su eficiencia energética y huella de carbono.
Relación con los Sistemas de Pronósticos Meteorológicos
La conexión es muy fuerte y se da en dos direcciones principales:
El problema: Los pronósticos tradicionales tienen una alta huella de carbono
Los sistemas de Predicción Numérica del Tiempo (NWP, por sus siglas en inglés), que son la base de los pronósticos actuales, requieren supercomputadoras masivas para resolver complejas ecuaciones atmosféricas. Este proceso consume una cantidad ingente de energía. Por ejemplo, se estima que la supercomputadora utilizada por la oficina meteorológica del Reino Unido (Met Office) emite alrededor de 14,400 toneladas de carbono al año. Es una paradoja: las máquinas que predicen los efectos del cambio climático contribuyen significativamente a él.
La solución: La IA como alternativa de bajo consumo
Para abordar este problema, los investigadores están desarrollando nuevos modelos de pronóstico basados en inteligencia artificial. Un ejemplo destacado es Aardvark Weather. Este sistema de IA, en lugar de simular la física de la atmósfera, aprende a realizar predicciones directamente a partir de datos observacionales.
Reducción drástica del consumo
Aardvark puede generar pronósticos comparables a los sistemas tradicionales utilizando 1,000 veces menos potencia de cálculo, hasta el punto de poder ejecutarse en un ordenador portátil en cuestión de minutos . Esto reduce masivamente la huella de carbono asociada a cada pronóstico.
Democratización de la predicción
Al no necesitar supercomputadoras, esta tecnología abre la puerta a que regiones con menos recursos (como países en desarrollo) puedan generar sus propios pronósticos locales precisos y de bajo costo .
El otro lado de la moneda: Pronósticos para reducir la huella de carbono
La relación también funciona a la inversa. Investigadores de la Universidad de Sheffield han utilizado pronósticos meteorológicos para crear un sistema que ayuda a la industria a ser más ecológica . Su modelo de machine learning predice la intensidad de carbono de la red eléctrica con 48 horas de antelación, basándose en que cuando hay poco viento o sol, la red depende más de combustibles fósiles. Así, las fábricas pueden programar sus tareas de alto consumo energético para los momentos en que la electricidad es más «verde», reduciendo su huella de carbono sin perder productividad .
En resumen: existe un movimiento creciente para evaluar los algoritmos por su huella de carbono usando herramientas y métricas especializadas. Este movimiento es particularmente relevante en el campo de la meteorología, donde los métodos tradicionales son grandes emisores y las nuevas alternativas basadas en IA ofrecen un camino hacia pronósticos no solo más accesibles, sino también mucho más sostenibles. Además, los pronósticos meteorológicos se están convirtiendo en una herramienta clave para que otros sectores, como la industria, puedan reducir su propio impacto ambiental.
Y nosotros ¿qué?
Nosotros, los ingenieros de LADETEC, desde que hicimos la maqueta del Radar Meteorológico Cubano (completamente automatizado) nos trazamos como meta reducir drásticamente el consumo de potencia del equipamiento y lo llevamos de +20 kW a alrededor de 1.2 kW. Esto lo logramos, básicamente por medio de un diseño de la circuitería orientado a eso.
Sin embargo, no nos detuvimos ahí. También logramos bajar el consumo de energía total del radar en 24 horas y eso lo conseguimos empleando algoritmos sofisticados de encendido y apagado (de transmisor y receptor), haciendo que permanecieran encendidos solo el el tiempo justo para ejecutar las observaciones volumétricas.
También pusimos énfasis en optimizar el movimiento de la antena para que no solo los ejecutara con precisión, exactitud y rapidez, sino también consumiendo un mínimo de energía por medio de una exploración inteligente de la atmósfera. De este modo, la energía total en 24 horas que era de +80 kWh para hacer 8 observaciones (exploraciones volumétricas) en 24 horas, se redujo a menos de la mitad, aumentando el número de exploraciones volumétricas en 18 veces (144 en 24 horas).
Si el lector no está muy ducho en las diferencias entre Energía y Potencia revise mi post: Unidades de energía y potencia
Por otra parte y ya hablando de algoritmos de procesamiento de la información de radar, en cada estación se usa una aplicación de escritorio (VESTA|Process) de muy bajo consumo y en los centros de procesamiento se corren 8 instancias del VESTA|ORPG para disminuir la huella de carbono.
Cálculo de la huella de carbono del radar modernizado por LADETEC
Para cuantificar el impacto ambiental de la automatización de UN radar MRL-5, he realizado el cálculo de reducción de emisiones de CO₂ equivalente. Utilizo el factor de conversión de la Agencia de Protección Ambiental de Estados Unidos (EPA): 3.94 × 10⁻⁴ toneladas métricas de CO₂ por cada kWh consumido .
Situación anterior (radar MRL-5 antes de modernización para hacer 8 observaciones en 24 horas)
- Consumo energético: 80 kWh en 24 horas
- Consumo anual: 80 kWh × 365 = 29,200 kWh/año
- Huella de carbono anual: 29,200 kWh × 0.000394 t CO₂/kWh = 11.5 toneladas de CO₂ equivalente
Situación actual (radar MRL-5M modernizado, para hacer 144 observaciones en 24 horas)
- Consumo energético: menos de 40 kWh en 24 horas (menos de la mitad)
- Consumo anual: 40 kWh × 365 = 14,600 kWh/año
- Huella de carbono anual: 14,600 kWh × 0.000394 t CO₂/kWh = 5.75 toneladas de CO₂ equivalente
Ahorro total
- Reducción anual de emisiones: 11.5 – 5.75 = 5.75 toneladas de CO₂ equivalente
Para poner esta cifra en perspectiva
- Equivale a las emisiones de 1.2 coches circulando durante un año
- Es el CO₂ que absorberían 95 árboles maduros en un año
- Representa la electricidad consumida por 4 hogares españoles promedio en un año
Este cálculo demuestra que la optimización algorítmica no solo mejora el rendimiento técnico (18 veces más observaciones), sino que tiene un impacto ambiental medible y significativo. Y lo más importante: cada kWh ahorrado es un kWh que no necesita generarse, evitando así las emisiones asociadas, independientemente de la matriz energética utilizada.
Si lo desea puede leer, además, mi post: Eficiencia Energética en Cuba: Claves para un Futuro Sostenible
Deja una respuesta