Clima: una IA entrenada con escenarios de emisiones inventados
· Redacción de BehindLines
Investigadores del MIT han desarrollado un método para entrenar más rápido modelos de inteligencia artificial de predicción climática, con una fracción de los datos habituales. El MIT presentó el trabajo el 12 de noviembre de 2026 e indicó que aparece esta semana en las Proceedings of the National Academy of Sciences. También existe un manuscrito en el servidor de preimpresiones arXiv: enviado el 17 de junio de 2026 y revisado el 29 de septiembre, precede en varios meses al anuncio del MIT, y su página de arXiv no menciona ninguna revista.
«Emuladores» en lugar de meses de cálculo
Las proyecciones climáticas a largo plazo se basan en modelos del sistema terrestre, muy detallados pero pesados: el MIT señala que pueden hacer falta meses en un clúster de superordenadores para simular un solo futuro posible. Los «emuladores» son modelos de IA que imitan su comportamiento y funcionan en pocos segundos, lo que, según el MIT, permite probar miles de escenarios.
El defecto de los escenarios realistas
Normalmente, un emulador se entrena con entre seis y ocho trayectorias de emisiones realistas, cada una de las cuales exige una ejecución completa del modelo de referencia. El MIT cuenta que sus investigadores habían constatado que tales escenarios dan emuladores con peor rendimiento ante situaciones inéditas. El resumen del estudio en arXiv atribuye este techo de rendimiento a la escasa diversidad estructural de los escenarios habituales.
Un conjunto de datos hecho a medida
Christopher Womack, autor principal y hoy posdoctorando en la ETH Zurich, y sus colegas diseñaron un algoritmo que genera un conjunto de escenarios sintéticos optimizados. Según el MIT, parte de un escenario arbitrario creado con un modelo climático simple y rápido, mide la diferencia entre el emulador y el modelo de referencia y luego modifica los datos de forma iterativa hasta que el error alcanza un umbral. El resultado no se parece a un futuro plausible: las trayectorias presentan variaciones bruscas, y el algoritmo podría, por ejemplo, hacer subir con fuerza el CO2 en 2050 o hacer caer rápidamente el metano en 2037. Para Christopher Womack, estas oscilaciones rápidas permiten al emulador extraer mucha más información sobre el conjunto del sistema.
Basta entonces con ejecutar el modelo completo una sola vez, en lugar de seis u ocho. Según el resumen de arXiv, con un modelo climático simple, un emulador entrenado con un único escenario optimizado rinde mejor que uno entrenado con seis trayectorias estándar (ScenarioMIP). Los autores añaden que los escenarios optimizados con este modelo simple, usados luego para impulsar un modelo de complejidad intermedia, proporcionan un conjunto de entrenamiento más eficaz que los resultados de ScenarioMIP. Según el MIT, un emulador entrenado así también sabe predecir el efecto de políticas locales que reducen un contaminante mientras otras emisiones siguen aumentando, algo que los emuladores clásicos evaluados no lograron.
Por qué es importante
Según Noelle Selin, autora sénior del estudio, entrenar un emulador puede llevar meses o incluso años, por lo que las herramientas disponibles suelen estar desfasadas; ella cree que el método, al acortar ese plazo, podría cambiarlo todo. Christopher Womack espera que estos emuladores rápidos y adaptables sirvan mejor para elaborar políticas públicas. Los investigadores quieren ahora probar la técnica con un escenario producido por un modelo completo y aplicarla a otros tipos de modelos climáticos.