Sintesi del progetto
GLOWPP migliora il modello meteorologico globale GLOBO, intervenendo non sulla fisica ma sulla sostenibilità e scalabilità del codice. L’iniziativa nasce per superare i colli di bottiglia di un software longevo scritto e per adeguarne il parallelismo alle architetture HPC moderne, favorendo diffusione operativa e utilizzi educativi tramite immagini container e integrazione in workflow scientifici.
Obiettivi
L’obiettivo del progetto è rendere GLOBO più sostenibile dal punto di vista dello sviluppo, più efficiente sulle architetture multi e many-core, e più semplice da distribuire e integrare in catene operative e dimostrative, mantenendo al contempo un’unica base sorgente per preservare compatibilità e manutenibilità.
Problemi e necessità
Le previsioni meteorologiche numeriche richiedono parallelismo efficiente su memoria distribuita e acceleratori, oltre a input e output e orchestrazione riproducibili. Le competenze Fortran sono meno diffuse e ciò rende critico evolvere un codice nato decenni fa senza spezzarne la coerenza o moltiplicare i rami di sviluppo.
Soluzioni sviluppate
Il progetto ha introdotto una nuova strategia di parallelizzazione su memoria distribuita, ha abilitato l’uso di GPU e ha containerizzato la distribuzione per test, demo e didattica, includendo l’integrazione con le tecnologie di workflow sviluppate dai progetti DAGonStar e DAGonCAPIO.
Impatti
La versione GLOWPP di GLOBO rende più accessibile l’esecuzione su un ampio spettro di infrastrutture, dai cluster locali alle risorse nazionali, aprendo prospettive per usi operativi in studi climatici, sistemi globali e nidificazioni locali ad alta risoluzione, con potenziale impatto indiretto sulla qualità delle previsioni in eventi intensi ed estremi.
Settori di applicazione
Il modello ottimizzato potrà essere sfruttato da Centri di Previsione Numerica, Gruppi Accademici di Scienze dell’Atmosfera e del Clima e da enti operativi che necessitano di modelli globali integrabili in workflow esistenti, nonché da istituzioni interessate a strumenti containerizzati per la didattica e il training su HPC e acceleratori.
