Em resumo
Comece medindo: muitos clusters registram a energia por trabalho no agendador Slurm, e o CodeCarbon ou a calculadora Green Algorithms podem preencher as lacunas. Depois peça só as GPUs, a memória e o tempo de que precisa, teste as ideias em pequena escala, use checkpoints nos trabalhos longos e agende os flexíveis para quando a rede estiver mais limpa. Informe a energia de projetos inteiros, não só das execuções finais.
Passos
- Verifique se o seu cluster registra a energia dos trabalhos, por exemplo no campo ConsumedEnergy do Slurm.
- Peça só as GPUs, a memória e o tempo de execução de que o seu trabalho realmente precisa.
- Faça pequenos pilotos antes de aumentar a escala de um experimento.
- Use checkpoints nos trabalhos longos para que falhas e pausas não desperdicem o trabalho já feito.
- Agende os trabalhos flexíveis para as horas em que a rede está mais limpa, onde o cluster permitir.
- Informe a energia no nível do projeto, incluindo os ajustes e as execuções que falharam.
Clusters compartilhados tornam fácil ignorar a energia, porque ninguém vê a conta. Mas cada GPU pedida a mais e cada trabalho abandonado consomem energia e deixam outras pessoas esperando.
Como vejo o que os meus trabalhos usam?
- O
sacctdo Slurm pode informar o ConsumedEnergy de um trabalho quando o cluster tem a contabilidade de energia ativada. Pergunte à sua equipe de computação científica se ela está ligada. - O CodeCarbon pode rodar dentro dos trabalhos, e a documentação dele cobre nós de computação sem acesso à internet.
- A Green Algorithms, de Lannelongue, Grealey e Inouye, estima a pegada a partir do hardware, do tempo de execução, da memória e do local, o que serve para trabalhos passados.
O que faz a maior diferença
- Pedidos do tamanho certo. Pedir quatro GPUs e usar uma deixa três reservadas e ociosas.
- Pilotos e parada antecipada. A maior parte da energia vai para a exploração; descarte cedo as ideias fracas. Veja cortar a energia das buscas de hiperparâmetros.
- Checkpoints, para que falhas e limites de tempo não obriguem a começar de novo.
- Reutilização de modelos pré-treinados e de conjuntos de dados compartilhados, em vez de cada pessoa preparar os seus.
Um sandpit (laboratório colaborativo) britânico de IA verde realizado em 2026, com matemáticos, cientistas da computação e a indústria, também destacou a importância de verificar se um método numérico bem conhecido já resolve o problema antes mesmo de treinar um modelo.
Erros comuns
- Tratar o cluster como se fosse gratuito. Acompanhe as horas de GPU como um orçamento; veja como definir um orçamento de computação.
- Informar só a execução final nos artigos.
Os princípios GREENER, de Lannelongue e colegas, oferecem um quadro de referência para grupos e instituições. Veja o guia para pesquisadores.
Fontes
- Slurm sacct manual (ConsumedEnergy), SchedMD (2025)
- Using CodeCarbon on SLURM, CodeCarbon documentation (2025)
- Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
- GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
Relacionados
Como defino um orçamento de computação para um projeto de pesquisa?
Defina e acompanhe um orçamento de computação para pesquisa em IA: estime horas de GPU, faça pilotos, pare cedo execuções fracas, reutilize modelos e relate resultados.
Como informo o uso de energia da minha pesquisa em IA?
O que colocar num artigo sobre computação e energia: hardware, horas de GPU de todas as execuções, energia, local, carbono, custo de inferência e o limite usado.
Como reduzo a energia das buscas de hiperparâmetros?
Como ajustar modelos com menos computação: buscas mais inteligentes do que grades completas, parada precoce, pilotos pequenos, bons valores padrão e um orçamento.
IA verde para pesquisadores
Um guia para pesquisadores sobre métodos de IA eficientes, medição e relato de energia em artigos, orçamentos de computação, financiamento e o papel da matemática.