Los investigadores del MIT han desarrollado una técnica de entrenamiento que produce modelos climáticos de IA rápidos y adaptables utilizando una fracción de los datos normalmente requeridos, un paso que, según dicen, podría reducir el tiempo de producción de estas herramientas de meses o años a algo mucho más utilizable para decisiones políticas. La investigación aparece esta semana en las Actas de la Academia Nacional de Ciencias.
Los modelos en cuestión son emuladores climáticos: sistemas sustitutos compactos de IA que imitan el comportamiento de modelos del sistema terrestre (ESM) a gran escala. Los ESM son los caballos de batalla de la ciencia climática (enormes simulaciones basadas en la física que proyectan cómo las temperaturas, las precipitaciones y los niveles del mar responden a las emisiones de gases de efecto invernadero), pero un único escenario futuro puede tardar meses en ejecutarse en un grupo de supercomputadoras. Los emuladores, por el contrario, se ejecutan en segundos, lo que permite a los científicos probar miles de escenarios, investigar efectos regionales y contaminantes específicos, y señalar resultados inesperados de intervenciones políticas. Para obtener una cobertura continua sobre el creciente papel de la IA en la ciencia, siga nuestras noticias de investigación de IA.
El problema: los datos de entrenamiento realistas hacen que los modelos sean frágiles
Cuando los investigadores construyen un emulador climático, normalmente lo entrenan en seis a ocho escenarios de emisiones futuras que siguen trayectorias realistas. Cada uno debe ejecutarse a través de un ESM completo para producir datos de entrenamiento, lo que hace que la generación de conjuntos de datos sea costosa y lenta. El equipo del MIT había identificado previamente un modo de falla sutil: los emuladores entrenados en escenarios realistas pueden tener un rendimiento inferior cuando se les pide que predigan situaciones novedosas o desconocidas, exactamente las situaciones que los formuladores de políticas necesitan explorar cada vez más.
"Nuestro algoritmo puede generar algunos escenarios extraños que no se parecen en nada a un futuro realista, pero no nos importa mucho si los escenarios de entrenamiento son realistas", dijo Christopher Womack PhD '26, ahora postdoctorado en ETH Zurich y autor principal del artículo, en MIT News. "Sólo estamos intentando crear el mejor conjunto de datos posible para entrenar un emulador".
Una ejecución de ESM en lugar de ocho
La nueva técnica invierte el proceso habitual. En lugar de ensamblar escenarios realistas, un algoritmo genera escenarios sintéticos optimizados diseñados para maximizar la habilidad predictiva de un emulador específico. El proceso comienza con un escenario arbitrario ejecutado a través de un modelo climático rápido y simple, mide qué tan bien el emulador reproduce los resultados completos del ESM, luego perturba iterativamente los datos de entrenamiento (aumentando drásticamente las emisiones de CO2 en 2050, por ejemplo, o reduciendo rápidamente el metano en 2037) hasta que el error del emulador cae por debajo de un umbral.
Los escenarios sintéticos resultantes no se parecen en nada a trayectorias fluidas del mundo real. "Al introducir estos movimientos y oscilaciones de alta frecuencia, nuestros datos permiten al emulador extraer mucha más información sobre el sistema en general", dijo Womack. La recompensa práctica es sustancial: mientras que para crear un conjunto de entrenamiento antes era necesario ejecutar un ESM completo de seis a ocho veces, ahora un usuario necesita una sola ejecución.
Falló la prueba de los modelos tradicionales.
Los investigadores informan que un emulador entrenado con su método predijo con precisión los resultados de escenarios que nunca había visto durante el entrenamiento, mientras que los emuladores tradicionales no lograron adaptarse. En una prueba destacada por MIT News, el emulador entrenado sintéticamente capturó correctamente los efectos de una política local de control de contaminantes que reduce un contaminante mientras otras emisiones continúan aumentando, un caso en el que los emuladores entrenados convencionalmente que evaluaron fallaron.
"Los emuladores climáticos son especialmente adecuados para modelar escenarios relevantes para las políticas", dijo Womack. "Al utilizar nuestro método para generar datos de entrenamiento optimizados para un emulador, podemos acelerar la producción de emuladores mucho más confiables, de modo que podamos confiar mejor en sus resultados para tomar decisiones políticas".
La adaptabilidad importa porque el futuro no se parecerá al conjunto de entrenamiento. "En el futuro, definitivamente veremos climas y escenarios que no hemos visto antes", dijo Selin. "Si podemos simular estos diferentes escenarios de manera más sólida, podremos proporcionar información más confiable a las partes interesadas que la necesitan".
Por qué es importante el tiempo
La autora principal Noelle Selin, profesora del Instituto de Datos, Sistemas y Sociedad del MIT y del Departamento de Ciencias de la Tierra, Atmosféricas y Planetarias, y directora del Centro de Ciencia y Estrategia de Sostenibilidad, enmarcó el trabajo como una solución a la cadena de suministro para la información climática en sí. Dado que la formación en un emulador puede llevar meses o años, las herramientas disponibles para los planificadores suelen estar desactualizadas. "Al reducir ese tiempo de producción, creo que esta técnica cambiará las reglas del juego en términos de poner herramientas actualizadas en manos de investigadores y profesionales", dijo.
Las aplicaciones se extienden mucho más allá del ámbito académico: las proyecciones climáticas actualizadas informan las decisiones sobre la resiliencia de las redes eléctricas, la protección de la salud pública y la planificación agrícola. El equipo también incluía a Shahine Bouabid, Andrei Sokolov, Popat Salunke y Glenn Flierl del MIT, y Sebastian D. Eastham del Imperial College de Londres. El próximo objetivo de los investigadores es ampliar la técnica para que los emuladores sigan siendo robustos mientras el planeta entra en condiciones climáticas sin precedentes históricos.
---
Manténgase a la vanguardia de la IAObtenga las últimas noticias, análisis y avances en IA, todo en un solo lugar.
Leer más noticias sobre IA →
