Investigadores del Instituto de Tecnología de Massachusetts (MIT) desarrollaron una técnica de entrenamiento para crear emuladores climáticos de inteligencia artificial más rápidos, fiables y adaptables, capaces de estimar en segundos cómo las actividades humanas pueden alterar la temperatura, el nivel del mar y otros indicadores.
El avance, descripto en Proceedings of the National Academy of Sciences, busca acortar la producción de herramientas que orientan decisiones sobre redes eléctricas, salud pública y rendimientos agrícolas, informó MIT News, el portal de noticias del instituto.
Los modelos climáticos convencionales pueden tardar meses en ejecutarse en grupos de supercomputadoras para calcular un solo escenario futuro. Los nuevos simuladores sustitutos imitan el comportamiento de esas proyecciones a gran escala y permiten probar miles de combinaciones de emisiones con mayor rapidez.
La técnica utiliza una fracción de los datos sintéticos que requieren los métodos habituales y, aun así, predice resultados de escenarios que no estuvieron presentes durante el entrenamiento. Los emuladores tradicionales evaluados por el equipo no lograron adaptarse con la misma precisión a situaciones nuevas.
Modelo para generar datos de entrenamiento
Los científicos suelen recurrir a modelos del sistema terrestre, simulaciones basadas en la física que reproducen las interacciones entre los principales componentes del clima. Estas herramientas calculan cómo cambiarían las temperaturas o las precipitaciones globales ante distintas trayectorias de emisiones de gases de efecto invernadero.
Para entrenar un emulador, el procedimiento habitual requiere ejecutar entre seis y ocho escenarios futuros a través de uno de esos modelos de gran escala. Cada uno representa una trayectoria plausible de emisiones, pero generar el conjunto de datos demanda tiempo y recursos computacionales.
El método desarrollado por el MIT reduce ese proceso a una sola ejecución del modelo completo. A partir de allí, un algoritmo genera escenarios sintéticos optimizados para que el emulador aprenda a anticipar respuestas climáticas fuera de los patrones que ya conoce.
“Los emuladores climáticos son especialmente adecuados para modelar escenarios relevantes para la formulación de políticas. Al utilizar nuestro método para generar datos de entrenamiento optimizados para un emulador, podemos acelerar la producción de emuladores mucho más fiables, de modo que podamos confiar más en sus resultados para tomar decisiones políticas”, afirmó Christoher Womack, investigador postdoctoral de la ETH Zúrich y primer autor del estudio.
Escenarios sintéticos de emisiones
El algoritmo comienza con un escenario climático arbitrario producido por un modelo rápido y sencillo. Luego mide el margen de error del emulador al intentar reproducir sus resultados y ajusta de manera iterativa los datos de entrenamiento hasta alcanzar un umbral de precisión definido.
Durante ese proceso, el sistema puede plantear aumentos abruptos de dióxido de carbono en 2050 o descensos rápidos de metano en 2037. Los datos resultantes no siguen las trayectorias suaves de emisiones que suelen caracterizar a los futuros considerados realistas.
Esas variaciones rápidas contienen oscilaciones de alta frecuencia que, según el investigador, permiten al modelo extraer más información sobre el funcionamiento del sistema climático. El resultado es un emulador con mayor capacidad para responder a condiciones que no aparecieron en los datos originales.
“Nuestro algoritmo podría generar escenarios extraños que no se parecen en nada a un futuro realista, pero no nos preocupa demasiado si los escenarios de entrenamiento son realistas. Simplemente intentamos crear el mejor conjunto de datos posible para entrenar un emulador”, explicó Womack.
Aplicaciones y proyecciones actualizadas
Un emulador entrenado con el nuevo método puede representar los efectos de políticas locales de control de la contaminación que reducen un contaminante mientras otras emisiones continúan en aumento. Los modelos tradicionales que fueron sometidos a esa prueba no consiguieron reproducir ese tipo de escenario.
“En el futuro, sin duda veremos climas y escenarios que no habíamos visto antes. Si podemos simular estos diferentes escenarios de forma más precisa, podremos proporcionar información más fiable a las partes interesadas que la necesitan”, afirmó Noelle E. Selin, profesora del MIT y autora principal del estudio.
El equipo busca que los simuladores actualizados estén disponibles con mayor frecuencia para investigadores y profesionales. El entrenamiento de un emulador puede demandar meses o incluso años, por lo que las herramientas existentes suelen quedar desactualizadas antes de completar nuevas proyecciones. Selin considera que reducir ese tiempo “supondrá un cambio radical en cuanto a la disponibilidad de herramientas actualizadas para investigadores y profesionales”
Los investigadores planean probar la técnica con un escenario de emisiones generado por un modelo completo del sistema terrestre, aplicarla a otros modelos climáticos y evaluar su utilidad en campos más amplios de aprendizaje automático y visión artificial.
