Un equipo de investigadores del Instituto de Tecnología de Massachusetts (MIT) desarrolló un innovador método de entrenamiento que permite crear emuladores climáticos impulsados por inteligencia artificial mucho más rápidos, confiables y adaptables.
Publicado en la revista Proceedings of the National Academy of Sciences (PNAS), este avance científico logra calcular en cuestión de segundos cómo las actividades humanas podrían alterar la temperatura global, el nivel del mar y otras variables críticas, agilizando drásticamente la generación de herramientas de proyección para sectores estratégicos como las redes eléctricas, la agricultura y la salud pública.
A diferencia de los modelos tradicionales del sistema terrestre que demandan meses de procesamiento en supercomputadoras y requieren ejecutar entre seis y ocho trayectorias futuras completas para adiestrar un simulador, la nueva técnica reduce el proceso a una sola ejecución del modelo base.
A partir de allí, un algoritmo diseña iterativamente escenarios sintéticos optimizados que introducen variaciones abruptas y oscilaciones de alta frecuencia como picos repentinos de dióxido de carbono o caídas aceleradas de metano, logrando que el sistema aprenda a predecir condiciones inéditas con una fracción mínima de datos.
Según explicó Christopher Womack, investigador postdoctoral de la ETH Zúrich y primer autor del estudio, el objetivo no es que estos datos de entrenamiento parezcan futuros realistas,sino maximizar la capacidad de respuesta y fiabilidad del emulador ante escenarios complejos.
Gracias a esta flexibilidad, los nuevos simuladores pueden evaluar con precisión el impacto de políticas locales específicas, como reducir un contaminante determinado mientras otras emisiones continúan en ascenso, una prueba en la que los emuladores convencionales fallaron.
Para Noelle E. Selin, profesora del MIT y autora principal de la investigación, acortar los tiempos de desarrollo que antes tardaban meses o años y dejaban las herramientas obsoletas supondrá un cambio radical para científicos y responsables de políticas públicas, quienes ahora proyectan validar el método con modelos completos del sistema terrestre y explorar su aplicación en áreas más amplias del aprendizaje automático y la visión artificial.
Noticias 24 hrs Annerys Carrasquel / Foto cortesía: Envato
