MIT desarrolla IA para imaginar eventos extremos que nunca han ocurrido

Ingenieros del MIT desarrollaron un algoritmo de aprendizaje automático capaz de generar escenarios plausibles para tormentas y otros eventos extremos, incluso cuando esos fenómenos no aparecen en los datos históricos utilizados para entrenarlo.
***

• El método combina estadísticas puntuales con mapas espaciales para producir escenarios climáticos extremos plausibles.
• Los investigadores lo probaron con 25 años de mapas horarios de precipitación en Estados Unidos.
• El enfoque también podría explorar incendios forestales, inundaciones, navegación robótica y colapsos de mercados financieros.

Ingenieros del Instituto Tecnológico de Massachusetts desarrollaron un algoritmo de aprendizaje automático capaz de generar escenarios plausibles para eventos extremos que todavía no aparecen en los registros históricos. La herramienta busca ayudar a planificadores, aseguradoras y autoridades a evaluar tormentas, olas de calor e incendios con una intensidad, duración o extensión superior a cualquier episodio observado, sin convertir cada proyección en una especulación sin respaldo estadístico.

El equipo denominó Extreme Event Aware, o aprendizaje η, a este enfoque, que combina información estadística con mapas espaciales para construir miles de realizaciones posibles de un desastre raro. Su objetivo es responder preguntas prácticas sobre infraestructura crítica: si un rompeolas resistiría una tormenta devastadora, si una red eléctrica soportaría un calor récord o si los recursos de un pueblo alcanzarían para contener un incendio forestal de gran tamaño.

Un problema marcado por la escasez de datos

Los eventos extremos son difíciles de anticipar precisamente porque ocurren con poca frecuencia y suelen apartarse de los patrones habituales. Los registros pueden contener algunos episodios severos, pero rara vez ofrecen suficientes ejemplos de fenómenos que podrían producirse una vez cada 100 años, lo que limita la capacidad de los modelos tradicionales para estimar sus características con precisión.

Según explicó Kai Chang, estudiante graduado de ingeniería mecánica del MIT y afiliado al Centro de Ciencias Computacionales e Ingeniería, muchos métodos parten de la premisa de que los desastres más graves ya aparecen en el conjunto de datos. El nuevo trabajo intenta ir más allá y modelar acontecimientos sin precedentes que resulten más riesgosos que todo lo observado, pero que todavía permanezcan dentro de los límites de lo plausible.

Themis Sapsis, profesor William I. Koch de Ingeniería Mecánica y Oceánica del MIT, planteó el desafío mediante una comparación con el huracán Katrina. Si un fenómeno de esa magnitud puede repetirse cada 30 o 40 años, el interrogante para los planificadores consiste en estimar cómo sería un episodio equivalente con una frecuencia de una vez por siglo y qué nivel de daños podría generar.

La necesidad no se limita a producir una cifra de intensidad máxima. Las autoridades también necesitan conocer dónde golpearía una tormenta, qué superficie cubriría, cuánto duraría y cómo se distribuiría la lluvia, porque esas variables determinan la presión sobre carreteras, redes eléctricas, sistemas de drenaje y cadenas de abastecimiento.

Cómo genera escenarios que no ha visto

Para demostrar el método, los investigadores trabajaron con 25 años de mapas horarios de precipitación sobre los Estados Unidos continentales y los agruparon en mapas diarios. A partir de ese registro calcularon estadísticas puntuales que describen con qué frecuencia la precipitación máxima alcanzaba determinados niveles, una referencia que permite controlar la rareza de los escenarios generados.

Después entrenaron el algoritmo con mapas espaciales emparejados de baja y alta resolución correspondientes únicamente a los primeros seis meses del registro. Ese segmento contenía pocos o ningún ejemplo de los niveles de lluvia más extremos, de modo que el sistema no dependía de haber visto previamente una tormenta equivalente al escenario que luego debía construir.

El algoritmo aprendió cómo los patrones generales de los mapas de baja resolución podían relacionarse con representaciones detalladas de alta resolución. Posteriormente utilizó las estadísticas puntuales para descartar combinaciones meteorológicas implausibles y restringir la generación a configuraciones que conservaran una probabilidad coherente con la región y con la frecuencia solicitada.

En términos prácticos, un usuario podría preguntarle al sistema cómo sería una tormenta de una vez por siglo en Nueva York. La herramienta produciría entonces mapas estadísticamente plausibles, con estimaciones sobre la ubicación, el tamaño, la cobertura y la intensidad de la precipitación, incluso si el nivel máximo proyectado nunca hubiese quedado registrado en esa zona.

Causas de movimientos recientes

No aplica: el artículo describe una herramienta de inteligencia artificial para modelar eventos extremos y no un movimiento reciente de mercado.

Del clima a la resiliencia económica

Chang ofreció como ejemplo una medición máxima de lluvia de 200 milímetros en Nueva York y preguntó qué tipo de tormenta podría producir 300 milímetros, aunque ese registro no exista. Un escenario de ese tipo permitiría evaluar con anticipación qué sectores urbanos serían más vulnerables y qué refuerzos tendrían sentido antes de que un episodio excepcional exponga las debilidades de la infraestructura.

El método está diseñado para producir miles de realizaciones posibles de una clase de evento rara, en lugar de entregar una única predicción presentada como certeza. Esa diferencia resulta relevante para quienes construyen obras destinadas a resistir riesgos de una vez cada 100 años, porque permite comparar múltiples combinaciones de duración, intensidad y área afectada antes de tomar decisiones de diseño.

El equipo considera que la misma lógica podría aplicarse a inundaciones extremas e incendios forestales siempre que existan estadísticas puntuales y datos espaciales relevantes. También identificó usos potenciales en navegación robótica, donde un sistema debe prepararse para situaciones inusuales, y en mercados financieros, cuyos colapsos suelen surgir de interacciones complejas entre varios sectores.

En el caso financiero, la pregunta no sería simplemente cuándo cae un mercado, sino qué combinación de tensiones puede desencadenar una crisis que todavía no aparece en el historial disponible. Chang señaló que el enfoque podría explorar esas interacciones, aunque la investigación presentada se centró en generar mapas de precipitación y no constituye un modelo operativo para pronosticar un colapso bursátil.

Implicaciones para sistemas interconectados

Sapsis sostuvo que los eventos extremos dejaron de ser una preocupación exclusivamente ambiental porque la economía global opera con márgenes reducidos. La búsqueda de eficiencia en cadenas de suministro, mercados energéticos y sistemas alimentarios puede aumentar la propagación de un shock cuando una tormenta, un incendio o una ola de calor interrumpe varios puntos al mismo tiempo.

La posibilidad de asignar una probabilidad a un evento que aún no ha ocurrido adquiere así una dimensión de resiliencia nacional y económica. Para una compañía, esa información podría orientar inventarios y rutas alternativas; para una autoridad, puede servir para priorizar inversiones en redes eléctricas, protección costera, sistemas de emergencia o infraestructura de transporte.

El planteamiento también exige cautela, porque un escenario generado por un modelo no equivale a una predicción puntual ni elimina la incertidumbre inherente a los fenómenos extremos. Su valor está en ampliar el conjunto de situaciones plausibles que los responsables pueden someter a pruebas, sin confundir la simulación estadística con la afirmación de que un desastre específico ocurrirá de una manera determinada.

Los investigadores detallaron el método en un artículo de acceso abierto publicado el 20 de agosto en la revista Nature Communications. La investigación recibió apoyo parcial de una Vannevar Bush Faculty Fellowship y de la Oficina de Investigación Científica de la Fuerza Aérea de Estados Unidos, mientras MIT News presentó el trabajo y sus posibles aplicaciones a la planificación de riesgos.

La propuesta del MIT apunta a una limitación central de la gestión de desastres: los episodios que más pueden dañar una comunidad son justamente aquellos para los que existen menos precedentes directos. En lugar de esperar a que aparezca el próximo caso extremo para aprender de él, el aprendizaje η intenta convertir la escasez de observaciones en un problema estadístico manejable y útil para preparar defensas.

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