Investigadores del Instituto Tecnológico de Massachusetts (MIT) desarrollaron una técnica de entrenamiento destinada a crear emuladores climáticos basados en inteligencia artificial que son más veloces, consistentes y adaptables. Estos emuladores pueden estimar, en segundos, cómo podrían modificar la temperatura, el nivel del mar y otros indicadores las actividades humanas.

El equipo describe su avance en Proceedings of the National Academy of Sciences (PNAS). El objetivo es acortar la etapa de producción de herramientas que orientan decisiones en ámbitos como redes eléctricas, salud pública y rendimiento agrícola, según informó MIT News, el portal de noticias del instituto.

Tradicionalmente, los modelos climáticos requieren meses de ejecución en clústeres de supercomputadoras para calcular un único escenario futuro. Los emuladores sustitutos propuestos por los investigadores simulan el comportamiento de esas proyecciones a gran escala y permiten evaluar miles de combinaciones de emisiones con una velocidad mucho mayor.

La técnica propone usar solo una fracción de los datos sintéticos que demandan los métodos convencionales, pero aun así predice resultados para escenarios que no estuvieron presentes durante el entrenamiento. En las pruebas, los emuladores tradicionales no lograron adaptarse con la misma precisión a situaciones nuevas.

En la práctica, la mayoría de los científicos recurre a modelos del sistema terrestre—simulaciones basadas en principios físicos que reproducen interacciones entre los componentes clave del clima—para estimar cambios en temperaturas o precipitaciones ante distintas trayectorias de gases de efecto invernadero.

Para entrenar un emulador, el procedimiento habitual requería ejecutar entre seis y ocho escenarios futuros a través de uno de estos grandes modelos. Cada escenario representa una trayectoria plausible de emisiones, pero la generación de ese conjunto de datos demanda mucho tiempo y recursos computacionales.

El método del MIT propone reducir ese proceso a una única ejecución del modelo completo. A partir de esa corrida, un algoritmo genera escenarios sintéticos optimizados para que el emulador aprenda a anticipar respuestas climáticas fuera de los patrones conocidos.

“Los emuladores climáticos son especialmente útiles para modelar escenarios relevantes para políticas públicas. Al usar nuestro método para generar datos de entrenamiento optimizados, podemos acelerar la producción de emuladores más confiables y confiar más en sus resultados para tomar decisiones políticas”, afirmó Christopher Womack, investigador postdoctoral en ETH Zürich y primer autor del estudio.

El algoritmo inicia con un escenario climático arbitrario producido por un modelo rápido y sencillo. Luego evalúa el margen de error del emulador al reproducir esos resultados y ajusta de forma iterativa los datos de entrenamiento hasta alcanzar un umbral de precisión predefinido. Durante ese proceso, el sistema puede plantear escenarios como aumentos abruptos de dióxido de carbono para 2050 o descensos rápidos de metano.

Esta investigación aporta una vía para acelerar la generación de herramientas de simulación climática, al tiempo que mantiene o mejora la precisión en escenarios nuevos, con implicancias directas para la planificación de políticas y respuestas ante cambios climáticos.