- El MIT desarrolla un nuevo método para mejorar la precisión de los simuladores climáticos.
- El simulador puede completar pruebas de escenarios en segundos, siendo más eficiente que los modelos tradicionales.
- Las fluctuaciones en las curvas de emisiones optimizadas proporcionan más información sobre el sistema.
- El sesgo de temperatura del modelo simplificado en escenarios de alto calentamiento puede alcanzar 4.5 grados Fahrenheit.
Investigadores del Massachusetts Institute of Technology (MIT) han desarrollado un método que permite entrenar un simulador climático de inteligencia artificial en varios escenarios de emisiones generados por computadora. Según un informe de la Proceedings of the National Academy of Sciences (PNAS) y un comunicado del MIT, las pruebas de un modelo climático simplificado muestran que este método puede superar los datos de entrenamiento estándar. El simulador climático es un modelo de inteligencia artificial rápido que imita los Modelos de Sistema Terrestre (ESMs), los cuales se utilizan para predicciones climáticas a largo plazo basadas en simulaciones físicas. El MIT indica que un ESM puede tardar meses en ejecutar un escenario en un clúster de supercomputadoras, mientras que el simulador puede completarlo en segundos, permitiendo a los científicos probar miles de escenarios.
Nuevo método mejora la eficiencia del simulador
Los simuladores suelen entrenarse en base a seis a ocho trayectorias de emisiones realistas, cada una de las cuales requiere su propio ESM para funcionar. El equipo del MIT utilizó modelos climáticos simplificados y desarrolló un software capaz de calcular cómo pequeñas variaciones en las entradas de emisiones afectan el error del simulador. Luego, ajustaron progresivamente las trayectorias de emisiones iniciales para reducir dicho error.
Según el comunicado, los escenarios optimizados pueden parecerse poco a un futuro real. El autor principal del equipo, Christopher Whiteman, investigador postdoctoral en la ETH Zurich, indicó que el equipo no se preocupa demasiado por la realidad de los escenarios de entrenamiento. Las curvas de emisiones fluctúan rápidamente en lugar de seguir trayectorias suaves; Whiteman señaló que estas fluctuaciones proporcionan más información sobre el sistema en su conjunto. En un preprint, un simulador entrenado en un único escenario optimizado superó a un simulador entrenado en seis trayectorias estándar al probar un modelo climático simplificado.
El referente se evalúa según sus propios datos de entrenamiento, que representan su escenario óptimo teórico.
Resultados de las pruebas del modelo simplificado
La segunda prueba utilizó el modelo de sistema terrestre del MIT, que es un sustituto simplificado de un ESM, enfocándose únicamente en escenarios de dióxido de carbono. Los simuladores entrenados en uno o dos escenarios optimizados igualaron o superaron el rendimiento del referente de seis escenarios en otras políticas y escenarios idealizados. El referente se mantuvo óptimo en sus propios escenarios de entrenamiento. La combinación de dos escenarios mejoró en promedio la habilidad en escenarios de políticas alternativas en un 32.6%. El MIT indicó que este enfoque de entrenamiento también capturó las reglas de contaminación local cuando un contaminante disminuye mientras que otros aumentan, algo que los simuladores tradicionales no lograron reflejar en las pruebas.
Las pruebas utilizaron modelos más simples en lugar de un ESM completo. El comunicado menciona que los usuarios solo ejecutarían un ESM una vez, pero el preprint incluye simulaciones completas de ESM para los escenarios optimizados como trabajo futuro, por lo que este ahorro aún no ha sido confirmado. Se asume que los escenarios optimizados en el modelo simple pueden trasladarse al modelo completo. El preprint encontró que el modelo simple puede tener un sesgo de temperatura de hasta 4.5 grados Fahrenheit (aproximadamente 2.5 grados Celsius) en escenarios de alto calentamiento, cuando la temperatura tiende a estabilizarse o disminuir. La combinación de dos escenarios optimizados puede ocasionalmente debilitar la ganancia de una trayectoria, mientras que el simulador es una red neuronal básica.
El superordenador Discover de la NASA se utiliza principalmente para predicciones climáticas.
Las predicciones de inteligencia artificial ya existen en el trabajo meteorológico: GraphCast de Google genera pronósticos de 10 días en menos de un minuto, según reportan los desarrolladores. El equipo espera probar esta técnica en escenarios generados por un ESM completo y aplicarla a otros modelos climáticos y de aprendizaje automático. Schmidt Science Foundation apoyó este trabajo a través del MIT. La investigación fue publicada en PNAS.
Impacto potencial de los escenarios de emisiones optimizados
La investigación del MIT muestra que, a través de la optimización de escenarios de emisiones, se puede mejorar significativamente la precisión y eficiencia de los simuladores climáticos. Este método no solo permite probar una gran cantidad de escenarios en poco tiempo, sino que también captura reglas complejas de contaminación que los simuladores tradicionales no reflejan. A medida que los efectos del cambio climático se vuelven cada vez más evidentes, el desarrollo de esta tecnología es de gran importancia para predecir futuras condiciones climáticas y formular políticas adecuadas. Investigaciones adicionales podrían permitir que esta técnica se aplique en modelos climáticos más complejos, mejorando así la capacidad de predicción general.

