Elegir mejor los escenarios puede hacer más útiles a los emuladores climáticos

Un estudio propone entrenar emuladores climáticos con escenarios sintéticos diseñados para explorar mejor futuros no vistos, sin reemplazar a los modelos físicos completos.

Por Redacción Ciencias.UY 12 de noviembre de 2026 a las 08:41 3 min de lectura
Imagen: MIT News | Massachusetts Institute of Technology Imagen acompañante del artículo fuente; atribución preservada Fuente de imagen
Tres globos que representan simulaciones del clima, en una imagen del MIT sobre emuladores climáticos.

Los modelos climáticos que representan la atmósfera, los océanos y otras partes del sistema terrestre son herramientas centrales para explorar futuros posibles. Pero cada simulación detallada puede requerir meses de cálculo en supercomputadoras. Un equipo del Instituto Tecnológico de Massachusetts (MIT) plantea que una parte de ese trabajo puede hacerse más eficiente si se eligen de otra manera los escenarios que se usan para entrenar modelos rápidos de inteligencia artificial.

Esos modelos rápidos se conocen como emuladores climáticos: no sustituyen a las simulaciones físicas completas, sino que aprenden de sus resultados para responder en segundos a preguntas que, de otro modo, exigirían repetir muchos cálculos. Su utilidad depende de que puedan responder también ante situaciones que no estuvieron exactamente entre los ejemplos con que fueron entrenados. Ahí aparece un problema: los escenarios habituales de emisiones son plausibles como relatos del futuro, pero pueden parecerse demasiado entre sí para enseñar al emulador toda la variedad de respuestas posibles del sistema climático.

El nuevo estudio, publicado en Proceedings of the National Academy of Sciences, ensayó una estrategia distinta. En vez de partir solo de trayectorias de emisiones convencionales, los investigadores ajustaron de forma iterativa escenarios sintéticos para que revelaran mejor dónde se equivoca el emulador. Algunos de esos escenarios incluyen cambios rápidos y poco realistas en las emisiones; no fueron pensados como pronósticos, sino como ejercicios de entrenamiento que obligan al modelo a distinguir cómo responden el clima y sus distintos impulsores.

En las pruebas con un modelo climático simple, un emulador entrenado con un único escenario optimizado superó a otro entrenado con seis trayectorias estándar del proyecto internacional ScenarioMIP. Los autores también usaron los escenarios diseñados con el modelo simple para generar datos en un modelo de complejidad intermedia y observaron una mejora frente al entrenamiento con las salidas convencionales. El resultado sugiere que, para ciertos objetivos, la diversidad informativa de las simulaciones puede importar más que acumular muchas trayectorias similares.

La idea podría ayudar a estudiar con mayor rapidez combinaciones de emisiones y contaminantes que interesan para evaluar riesgos, como reducciones locales de aerosoles mientras siguen cambiando los gases de efecto invernadero. Eso no convierte al emulador en una respuesta automática para planificar políticas ni garantiza que funcione igual en todos los modelos. Los ensayos todavía se apoyaron en modelos simples e intermedios, y el equipo señala que falta probar el método con escenarios producidos por modelos del sistema terrestre a escala completa y en otros tipos de simulaciones.

El avance desplaza parte de la atención desde la arquitectura de la inteligencia artificial hacia los ejemplos con que se la entrena. Para la investigación climática, donde explorar incertidumbres requiere comparar muchos futuros plausibles, aprender qué simulaciones conviene ejecutar primero puede ser tan importante como hacer más rápida la herramienta que analiza sus resultados.

Imagen

MIT News | Massachusetts Institute of Technology · Imagen acompañante del artículo fuente; atribución preservada · Fuente de imagen

DOI del paper

10.1073/pnas.2620731123

Cita original

Womack, C. B., Bouabid, S., Sokolov, A., Salunke, P., Flierl, G., Eastham, S. D., & Selin, N. E. (2026). Optimal scenario design for climate emulation. Proceedings of the National Academy of Sciences, 123(46), e2620731123. https://doi.org/10.1073/pnas.2620731123

Relacionadas por categoría

Ver mas

Más de la misma fuente

Ver mas

Más del mismo autor

Ver mas