AetherML — 01 Visão Geral e Arquitetura do Sistema

O AetherML é uma plataforma inteligente e descentralizada para previsão horária da qualidade do ar (concentração de partículas $PM_{2.5}$, $PM_{10}$, e gases fotoquímicos $SO_2$, $NO_2$, $O_3$) e classificação regulatória do Índice de Qualidade do Ar (IQAr, conforme Resolução CONAMA 491/2018 e diretrizes do IEMA/ES) na Região Metropolitana da Grande Vitória (RMGV), abrangendo os municípios de Vitória, Vila Velha, Serra e Cariacica.

---

1. Paradigma: Inferência no Cliente (Client-Side Edge)

Diferente de sistemas convencionais que dependem de clusters pesados de servidores em nuvem para processar inferências a cada requisição de usuário, o AetherML adota o paradigma Client-Side WASM SIMD:

Modelos: 5 regressores LightGBM serializados no formato ONNX (ai.onnx.ml:TreeEnsembleRegressor), otimizados para menos de 1,5 MB cada.

Runtime: ONNX Runtime Web (ort.wasm) executado dentro de um Web Worker dedicado na thread secundária do navegador.

Aceleração: WebAssembly com extensões vetoriais SIMD-128 e multithreading via SharedArrayBuffer (habilitados através dos headers HTTP COOP: same-origin e COEP: require-corp).

Latência Comprovada: Cálculo das 48 horas de horizonte preditivo em menos de 2 milissegundos.

Privacidade e Custo: Zero envio de dados de geolocalização do usuário para servidores externos; custo de computação serverless reduzido a zero para a inferência.

graph LR
  A[OpenWeather / RAMQAr / Open-Meteo] -->|Ingestão Horária| B[Cloudflare D1 & R2]
  B -->|CacheFirst SW| C[Browser / Web Worker]
  C -->|WASM SIMD <2ms| D[Predição 48h]
  C -->|Saabas XAI <1ms| E[Waterfall & Frases NL]
  D --> F[Classificação CONAMA 491]

---

2. Por que WebAssembly SIMD vs. WebGPU para Árvores de Decisão?

Embora WebGPU seja excelente para redes neurais densas e transformadores matriciais, para ensembles de árvores de decisão (LightGBM/XGBoost) o WebGPU é significativamente inferior ao WASM SIMD:

1. Divergência de Threads em Arquiteturas SIMT: Em GPUs, threads no mesmo warp executando ramificações condicionais distintas (if/else por limiar de nó) sofrem serialização forçada. 2. Acesso Esparso à Memória: A navegação por nós de árvores demanda saltos aleatórios de memória, gerando alto índice de cache-miss na VRAM. 3. Overhead de Compilação de Shaders WGSL: Criar buffers de dispositivo e compilar pipelines WGSL consome dezenas de milissegundos — muito mais do que a inferência inteira em CPU.

Portanto, o backend primário e mandatório é WASM SIMD-128, reservando WebGPU estritamente para futuras redes neurais convolucionais (CNN) de sensoriamento orbital de aerossóis.

---

3. Matriz Tecnológica do Monorepo