El MIT desarrolla una técnica que acelera los emuladores climáticos de inteligencia artificial y estima en segundos el efecto de las actividades humanas.
Investigadores del Instituto de Tecnología de Massachusetts (MIT) desarrollaron una técnica de entrenamiento para crear emuladores climáticos de inteligencia artificial más rápidos, fiables y adaptables. Según informó el portal MIT News del instituto, los nuevos simuladores pueden estimar en segundos cómo las actividades humanas alteran la temperatura, el nivel del mar y otros indicadores. El avance fue descrito en la revista Proceedings of the National Academy of Sciences.
Los modelos climáticos convencionales pueden tardar meses en ejecutarse en grupos de supercomputadoras para calcular un solo escenario futuro. Para entrenar un emulador, el procedimiento habitual requiere ejecutar entre seis y ocho escenarios futuros en uno de esos modelos de gran escala. El método del MIT reduce ese proceso a una sola ejecución del modelo completo. A partir de allí, un algoritmo genera escenarios sintéticos optimizados para que el emulador aprenda a anticipar respuestas climáticas fuera de los patrones que ya conoce.
El algoritmo parte de un escenario climático arbitrario producido por un modelo rápido y sencillo, mide el margen de error del emulador y ajusta los datos de entrenamiento hasta alcanzar un umbral de precisión definido. Según el investigador Christoher Womack, postdoctoral de la ETH Zúrich y primer autor del estudio, los datos generados pueden incluir aumentos abruptos de dióxido de carbono en 2050 o descensos rápidos de metano en 2037. Womack explicó que «nuestro algoritmo podría generar escenarios extraños que no se parecen en nada a un futuro realista», porque lo que se busca es «el mejor conjunto de datos posible para entrenar un emulador». La técnica usa una fracción de los datos sintéticos que requieren los métodos habituales y predice resultados de escenarios que no estuvieron presentes durante el entrenamiento.
Según los investigadores, un emulador entrenado con el nuevo método puede representar los efectos de políticas locales de control de la contaminación que reducen un contaminante mientras otras emisiones continúan en aumento; los modelos tradicionales evaluados no lograron reproducir ese tipo de escenario. Noelle E. Selin, profesora del MIT y autora principal del estudio, afirmó que «si podemos simular estos diferentes escenarios de forma más precisa, podremos proporcionar información más fiable a las partes interesadas». El equipo planea probar la técnica con un escenario de emisiones generado por un modelo completo del sistema terrestre, aplicarla a otros modelos climáticos y evaluar su utilidad en aprendizaje automático y visión artificial.
Foto: Mys 721tx / Wikimedia Commons (CC BY-SA 3.0).