Los modeladores han demostrado que los modelos de inteligencia artificial (IA) pueden producir simulaciones climáticas con mayor eficiencia que los modelos basados en la física. Sin embargo, muchos modelos de IA se entrenan con datos climáticos históricos, lo que les dificulta predecir cómo podría responder el clima a cambios futuros, como un mayor aumento en la concentración de gases de efecto invernadero.
por Saima May Sidik, Unión Geofísica Americana
En un artículo publicado en la revista Journal of Geophysical Research: Machine Learning and Computation , Spencer Clark y sus colegas dieron un paso más en el uso de la IA para modelar sistemas terrestres complejos al combinar un modelo de IA de la atmósfera (denominado Ai2 Climate Emulator o ACE) con un modelo físico del océano (denominado modelo oceánico de losas o SOM) para producir un modelo al que denominaron ACE2-SOM. Entrenaron ACE2-SOM con un modelo basado en la física con una resolución de 100 kilómetros para una variedad de climas.
En respuesta al aumento del dióxido de carbono atmosférico, en consonancia con su modelo objetivo, ACE2-SOM predijo respuestas bien conocidas, como un aumento más fuerte de la temperatura de la superficie sobre la tierra que sobre el océano, y áreas húmedas que se vuelven más húmedas y áreas secas que se vuelven más secas.
Cuando los investigadores compararon sus resultados con los de una versión de 400 kilómetros de resolución del modelo basado en física que estaban emulando, descubrieron que ACE2-SOM producía predicciones más precisas y rentables: ACE2-SOM utilizaba 25 veces menos energía y proporcionaba una resolución cuatro veces más fina.
Sin embargo, ACE2-SOM tuvo dificultades cuando los investigadores le pidieron que predijera qué sucedería si los niveles de dióxido de carbono atmosférico aumentaran rápidamente (cuadruplicándose repentinamente, por ejemplo). Si bien la temperatura superficial del océano tardó el tiempo adecuado en ajustarse, la atmósfera cambió casi de inmediato al clima de equilibrio bajo la nueva concentración de dióxido de carbono, a pesar de que las leyes físicas dictarían una respuesta más lenta.
Para ser totalmente competitivos con los modelos basados en la física, los modelos climáticos de IA deberán mejorar su capacidad para modelar situaciones inusuales, escriben los autores. El modelo oceánico de losas utilizado en este estudio también está muy simplificado. Por lo tanto, para mantener su ventaja en eficiencia y, al mismo tiempo, mejorar el realismo, los modelos de IA también deberán incorporar componentes adicionales del sistema terrestre, como la circulación oceánica y la cobertura de hielo marino, añaden los investigadores.
Más información: Spencer K. Clark et al., ACE2-SOM: Acoplamiento de un emulador atmosférico de aprendizaje automático a un océano de losas y aprendizaje de la sensibilidad del clima a los cambios en el CO₂ , Journal of Geophysical Research: Machine Learning and Computation (2025). DOI: 10.1029/2024jh000575
