Desarrollan un método de entrenamiento con datos sintéticos para crear modelos climáticos de IA más rápidos y fiables
La nueva técnica optimiza el entrenamiento de emuladores climáticos utilizando una fracción de los datos tradicionales y escenarios artificiales con oscilaciones rápidas, permitiendo predecir el impacto de políticas ambientales inéditas en cuestión de segundos.
Un equipo de científicos del Instituto Tecnológico de Massachusetts (MIT) ha desarrollado una innovadora técnica de entrenamiento que agiliza drásticamente la creación de modelos de inteligencia artificial rápidos, fiables y adaptables para la predicción climática.
Publicado en la revista científica Proceedings of the National Academy of Sciences (PNAS), el estudio resuelve uno de los mayores cuellos de botella en la simulación del cambio climático: el enorme coste computacional y de tiempo necesario para entrenar estos sistemas.
Denominados emuladores climáticos, estos modelos especializados de IA funcionan como sustitutos ágiles de los complejos modelos del sistema terrestre basados en física (ESMs), que suelen tardar meses en ejecutarse en supercomputadoras para proyectar un solo escenario.
Mientras que un emulador tradicional ofrece resultados en segundos, hasta ahora requería ser entrenado con múltiples simulaciones completas y fallaba al enfrentarse a escenarios climáticos inéditos.
Escenarios sintéticos con oscilaciones rápidas en lugar de trayectorias realistas
El avance, liderado por Christopher Womack (actualmente investigador posdoctoral en ETH Zúrich) junto a Noelle E. Selin, directora del Centro para la Ciencia y Estrategia de la Sostenibilidad del MIT, parte de una premisa contraintuitiva: abandonar los datos de entrenamiento basados en trayectorias futuras suaves y realistas para generar un conjunto de datos sintéticos optimizados.
- De seis ejecuciones a una sola: En lugar de ejecutar un modelo climático físico completo entre seis y ocho veces para obtener datos de entrenamiento, el nuevo algoritmo reduce ese requisito a una única ejecución.
- Variaciones de alta frecuencia: El algoritmo ajusta iterativamente escenarios artificiales introduciendo cambios bruscos —como aumentar drásticamente las emisiones de CO2 en 2050 o reducir de golpe el metano en 2037— hasta minimizar el margen de error del emulador. Según los investigadores, estas oscilaciones rápidas permiten que la IA extraiga mucha más información sobre el funcionamiento interno del sistema climático global.
Precisión ante políticas ambientales locales y toma de decisiones
Durante las pruebas de validación, los emuladores entrenados con esta metodología demostraron una capacidad superior para generalizar situaciones desconocidas.
En particular, lograron predecir con exactitud los efectos de políticas locales de control de contaminación en las que un contaminante específico disminuye mientras otras emisiones continúan aumentando, una prueba en la que los emuladores tradicionales fracasaron.
De acuerdo con los autores del estudio —en el que también participaron especialistas del Imperial College London—, acortar el tiempo de producción de estos modelos evitará que las herramientas queden desactualizadas, facilitando a gobiernos y responsables de políticas públicas evaluar con mayor confianza el impacto regional de sus decisiones sobre redes eléctricas, agricultura y salud pública.