Por Canuto  

Investigadores del MIT diseñaron un método que entrena emuladores climáticos con una fracción de los datos habituales y busca mejorar sus predicciones ante escenarios que no han visto. La técnica genera datos sintéticos optimizados y podría acelerar la creación de herramientas para evaluar políticas ambientales.
***

  • El método optimiza escenarios sintéticos de emisiones para que los emuladores de IA aprendan mejor el comportamiento de modelos climáticos complejos.
  • Según los investigadores, el entrenamiento podría requerir una sola ejecución de un modelo del sistema terrestre, en lugar de seis u ocho.
  • Las pruebas mostraron que el emulador pudo representar escenarios novedosos, incluidos cambios locales en contaminantes, frente a fallas de enfoques tradicionales evaluados.

Investigadores del Instituto Tecnológico de Massachusetts (MIT) desarrollaron una técnica de entrenamiento para crear emuladores climáticos de inteligencia artificial con menos datos y mayor capacidad para responder a escenarios nuevos. Estos modelos sustitutos buscan reproducir rápidamente los resultados de modelos climáticos basados en la física, una tarea que puede ser útil cuando científicos y responsables de políticas necesitan examinar muchas trayectorias posibles.

La propuesta modifica la forma de preparar los datos de entrenamiento: en lugar de depender únicamente de unas pocas trayectorias futuras realistas, el método genera escenarios sintéticos escogidos para mejorar la capacidad predictiva del emulador. En las pruebas descritas por los investigadores, el enfoque se evaluó ante situaciones no incluidas en el entrenamiento, con resultados que apuntan a una mejor adaptación que la obtenida por los emuladores tradicionales evaluados.

El costo de simular futuros posibles

Los modelos del sistema terrestre, conocidos como ESM por sus siglas en inglés, representan los componentes principales del clima y las interacciones entre ellos mediante cálculos basados en la física. Los científicos los utilizan para proyectar cambios de largo plazo, como variaciones en la temperatura global o las precipitaciones, bajo distintas trayectorias de emisiones de gases de efecto invernadero.

La capacidad de esos modelos tiene un costo operativo considerable: una ejecución puede tardar meses en un clúster de supercomputadoras, incluso cuando el objetivo es estudiar un solo escenario futuro. Ese tiempo limita la cantidad de alternativas que pueden analizarse directamente y complica la actualización frecuente de herramientas para quienes requieren estimaciones climáticas recientes.

Los emuladores climáticos intentan resolver esa limitación al imitar el comportamiento de los ESM mediante modelos de IA mucho más rápidos. Según el equipo, pueden ofrecer resultados en segundos, lo que permite explorar miles de escenarios y examinar, entre otros aspectos, impactos regionales o efectos asociados a contaminantes específicos.

La rapidez no basta, sin embargo, si el emulador solo responde bien a las condiciones que ya conoce. Las proyecciones climáticas deben servir para analizar situaciones futuras que no siguen exactamente las trayectorias previstas durante el entrenamiento, por lo que una herramienta incapaz de generalizar puede entregar resultados poco útiles justo cuando aparece una combinación distinta de políticas y emisiones.

Datos diseñados para mejorar la predicción

En el proceso convencional descrito por los investigadores, el entrenamiento suele apoyarse en seis u ocho escenarios futuros basados en trayectorias realistas de emisiones. Para generar los datos necesarios, cada trayectoria debe ejecutarse en un ESM completo, una etapa costosa que consume tiempo y recursos computacionales antes de que el emulador pueda empezar a ofrecer respuestas rápidas.

El equipo encontró que entrenar solo con escenarios realistas puede dejar al emulador mal preparado para predecir casos nuevos. Su alternativa consiste en generar datos sintéticos optimizados, aunque las trayectorias resultantes no necesariamente se parezcan a un futuro probable; el objetivo no es usarlas como pronóstico, sino obtener ejemplos que ayuden al modelo a aprender mejor las relaciones del sistema.

El algoritmo comienza con un escenario climático arbitrario creado mediante un modelo rápido y sencillo. Luego, los investigadores comparan la respuesta del emulador con los resultados correspondientes del modelo climático de referencia y utilizan el error observado para decidir cómo modificar los datos que alimentan el entrenamiento.

La optimización actualiza esos datos de manera iterativa hasta que el error del emulador alcanza un umbral determinado. En lugar de limitarse a trayectorias suaves, el sistema puede introducir variaciones rápidas, como elevar drásticamente las emisiones de dióxido de carbono en 2050 o reducir con rapidez las emisiones de metano en 2037.

Escenarios extraños, una prueba más exigente

Esas oscilaciones de alta frecuencia pueden parecer poco realistas si se interpretan como una descripción de lo que ocurrirá con las emisiones. Su función, de acuerdo con Christopher Womack, autor principal del estudio, es aportar al emulador más información sobre el comportamiento general del sistema y aumentar su capacidad para responder a combinaciones que no aparecieron en los ejemplos iniciales.

La diferencia importa porque un conjunto de entrenamiento no tiene que representar necesariamente un pronóstico plausible para ser útil como herramienta técnica. En este caso, los investigadores buscaron escenarios que ayudaran al modelo de IA a identificar respuestas del ESM en un rango más amplio de condiciones, en vez de reproducir únicamente unas pocas trayectorias convencionales.

Los autores informaron que un emulador entrenado con la técnica pudo predecir con precisión resultados de escenarios que no había visto durante el entrenamiento. En las pruebas descritas, los emuladores tradicionales evaluados no lograron adaptarse de la misma manera a esas situaciones nuevas, un contraste que el equipo presenta como evidencia de una mayor capacidad de generalización.

Una prueba relevante examinó políticas locales de control de contaminantes que reducen uno de ellos mientras otras emisiones continúan aumentando. El emulador entrenado mediante el método del MIT pudo capturar los efectos de esa combinación, mientras que los enfoques tradicionales evaluados por el equipo fallaron en esa prueba.

Implicaciones para la investigación y las políticas

El método también podría reducir la cantidad de ejecuciones completas necesarias para preparar los datos: en vez de correr el ESM seis u ocho veces para obtener distintos escenarios de entrenamiento, el usuario necesitaría ejecutarlo una vez, según la descripción de los investigadores. Esa reducción no elimina el trabajo de modelado, pero apunta a acortar una etapa que puede hacer que producir un emulador nuevo tome meses o incluso años.

Womack, quien obtuvo un doctorado en 2026 y ahora trabaja como investigador posdoctoral en ETH Zurich, explicó que estos emuladores resultan especialmente adecuados para estudiar escenarios relevantes para las políticas. La posibilidad de generar entrenamiento optimizado con menos datos, sostuvo, permitiría producir herramientas más confiables y dar mayor confianza a las decisiones que se apoyen en sus resultados.

Noelle E. Selin, autora sénior del trabajo, señaló que los emuladores rápidos pueden ampliar la exploración de futuros climáticos y aportar información a las partes interesadas que la necesitan. También advirtió sobre un problema práctico: si el desarrollo de cada emulador se extiende durante meses o años, las herramientas disponibles pueden quedar desactualizadas antes de llegar a investigadores y profesionales.

El estudio, titulado Optimal scenario design for climate emulation, aparece en Proceedings of the National Academy of Sciences. Junto con Womack y Selin participaron Shahine Bouabid, posdoctorante en el Departamento de Ciencias de la Tierra, Atmosféricas y Planetarias del MIT; Andrei Sokolov, científico investigador del Centro de Ciencia y Estrategia de Sostenibilidad del MIT; Popat Salunke, posdoctorante en ese centro; Glenn Flierl, profesor de oceanografía en el MIT; y Sebastian D. Eastham, profesor asociado en Imperial College London.

La investigación formó parte del proyecto Bringing Computation to the Climate Challenge y recibió apoyo de Schmidt Sciences a través de MIT Grand Challenges. Como próximos pasos, los investigadores quieren probar el método con un escenario de emisiones generado por un ESM completo, aplicarlo a otros tipos de modelos climáticos y estudiar su posible uso en áreas más amplias del aprendizaje automático y la visión por computadora.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados