Las proyecciones climáticas que orientan decisiones sobre redes eléctricas, salud pública y agricultura proceden de modelos del sistema terrestre tan detallados que un solo escenario puede tardar meses en un clúster de superordenadores. Los científicos lo sortean con emuladores, sustitutos rápidos basados en IA que imitan a los grandes modelos y se ejecutan en segundos. Investigadores del MIT describen ahora una forma de entrenar esos emuladores con muchos menos datos y de hacerlos mejores en situaciones que no han visto.
El método habitual, explica MIT News, es entrenar un emulador con seis a ocho trayectorias realistas de emisiones futuras, cada una de las cuales debe pasar antes por un modelo completo del sistema terrestre. Es lento y caro, y el equipo ya había comprobado que puede dar emuladores que fallan ante escenarios desconocidos. Su nuevo algoritmo construye en cambio un conjunto de entrenamiento sintético pensado solo para enseñar bien al emulador. Parte de un escenario arbitrario producido por un modelo climático simple y rápido, mide lo bien que el emulador lo reproduce y luego ajusta las emisiones de los datos de entrenamiento, por ejemplo una fuerte subida del dióxido de carbono en 2050 o una caída rápida del metano en 2037, hasta que el error baja de un umbral.
Los escenarios resultantes no se parecen en nada a un futuro verosímil. Están llenos de oscilaciones rápidas que, según el autor principal, Christopher Womack, permiten al emulador extraer mucha más información sobre cómo responde el sistema. En pruebas publicadas en Proceedings of the National Academy of Sciences, un emulador entrenado así predijo escenarios fuera de su conjunto de entrenamiento, incluidos controles locales de contaminación que reducen un contaminante mientras otros siguen subiendo, un caso en el que fallaron los emuladores tradicionales evaluados. Bastaría con ejecutar el modelo completo una vez en lugar de seis u ocho.
La idea resultará familiar a quien trabaje en aprendizaje automático: elegir los datos de entrenamiento por lo que enseñan, no por lo realistas que parecen. Encaja con el giro general de la ciencia hacia modelos aprendidos rápidos, del trabajo meteorológico de Google DeepMind a la familia más amplia de emuladores de IA, cuyo valor está en probar miles de escenarios a bajo coste.
Los límites son importantes. Los escenarios de entrenamiento de este estudio proceden de un modelo climático simple, y los investigadores dicen que probarlo con un escenario generado por un modelo completo del sistema terrestre queda para el futuro. Los resultados corresponden a los emuladores y casos evaluados en el artículo. Que los responsables políticos confíen en una herramienta entrenada con datos deliberadamente irreales es otra cuestión que la investigación no resuelve.