Científicos recrean mil años de clima en 12 horas con una tecnología clave para prever eventos extremos

La inteligencia artificial transforma la manera en que los científicos pueden entender el clima de nuestro planeta. Nuevos desarrollos permiten estudiar cómo varía el clima actual a lo largo del tiempo de manera mucho más rápida y accesible que antes.

Un reciente estudio publicado en la revista AGU Advances presenta un modelo desarrollado por la Universidad de Washington capaz de simular 1.000 años de clima en apenas 12 horas a partir de un modelo basado en IA. Este avance facilita el análisis climático a largo plazo y ayuda a superar barreras técnicas que antes limitaban a muchos investigadores.

Eficiencia computacional y comparación con modelos tradicionales

El nuevo modelo llamado DLESyM se destaca por su capacidad para hacer simulaciones climáticas a largo plazo de manera mucho más rápida y eficiente que los métodos tradicionales. Hasta ahora, este tipo de simulaciones requería supercomputadoras y meses de trabajo, lo que dificultaba el acceso a estas herramientas para muchos equipos científicos.

Puede completar una simulación de mil años en solo 12 horas y utiliza un único procesador gráfico, lo que representa un ahorro considerable en tiempo y energía. Esta mejora hace que la investigación climática de alta calidad sea más accesible y reduzca la huella ambiental de los experimentos.

Este avance hace posible que muchos más científicos, incluso aquellos sin acceso a grandes computadoras o recursos costosos, puedan estudiar y analizar cómo cambia el clima a largo plazo. Esto no solo facilita la comprensión de eventos extremos, como tormentas o sequías, sino que también ayuda a prever mejor los riesgos y prepararse ante ellos. Gracias a esta tecnología, la investigación climática será más rápida, accesible y podrá dar respuestas clave para la sociedad frente a los desafíos del cambio climático.

El estudio muestra cómo la inteligencia artificial puede aprender de los datos históricos del clima y de las imágenes satelitales para representar tanto la atmósfera como el océano con dos redes neuronales distintas. Las redes neuronales son modelos computacionales inspirados en el cerebro humano capaces de identificar patrones complejos en grandes volúmenes de información. Al ser entrenadas con datos reales, estas redes pueden simular cómo interactúan y evolucionan diferentes componentes del sistema climático a lo largo del tiempo.

A pesar de que fue entrenado principalmente para realizar pronósticos a corto plazo, el modelo consiguió captar patrones importantes del clima, como los cambios de estación y las variaciones de un año a otro. Esto demuestra que la IA puede superar limitaciones previas y adaptarse a las necesidades de la ciencia climática moderna.

Uno de los objetivos principales del trabajo es comprobar si este nuevo enfoque permite distinguir con mayor claridad si un fenómeno extremo es parte de la variabilidad natural o si responde a otros factores externos. Simular el clima durante periodos largos ayuda a los científicos a entender mejor estos eventos raros o excepcionales. Además, el equipo ya trabaja en expandir el modelo para que pueda incluir más componentes del sistema terrestre, como el suelo y la vegetación, lo que ampliaría aún más el alcance de este tipo de investigaciones.

Por ende, DLESyM no solo representa una innovación tecnológica, sino que también tiene potencial para cambiar la forma en la que se estudia y se entiende el clima, abriendo nuevas oportunidades para la ciencia y la toma de decisiones frente a los desafíos climáticos.

“Fuimos los primeros en aplicar este marco a la IA y descubrimos que funcionaba de maravilla. Presentamos este modelo como un desafío a muchas de las suposiciones actuales sobre la IA en la ciencia climática”, manifestó el autor principal, Nathaniel Cresswell-Clay, estudiante de posgrado en ciencias atmosféricas y climáticas de la Universidad de Washington.

Resultados y fenómenos simulados con DLESyM

En cuanto a los resultados, DLESyM demostró ser competitivo frente a los modelos CMIP6, que constituyen la referencia internacional y la base de los informes del Panel Intergubernamental sobre Cambio Climático (IPCC). El nuevo modelo iguala o supera a estos sistemas en la simulación de fenómenos críticos como la formación de ciclones tropicales, el ciclo estacional del monzón indio y los eventos de bloqueo atmosférico, que influyen en olas de calor, sequías e inundaciones.

Por ejemplo, DLESyM logra recrear fenómenos climáticos que resultan difíciles para otros modelos, como ciertos patrones que pueden provocar olas de calor o períodos de lluvias intensas en diversas regiones del planeta. Además, simula la variabilidad del monzón indio y la generación de ciclones tropicales en el Pacífico occidental con una fidelidad comparable o superior a la de los modelos convencionales.

El impacto potencial de DLESyM va más allá de la precisión. Al requerir solo un procesador y estar disponible para descarga online, el modelo abre la puerta a que investigadores de todo el mundo, incluso aquellos sin acceso a supercomputadoras, puedan realizar experimentos complejos y explorar la variabilidad climática a largo plazo. Esto representa un avance en la democratización de la ciencia climática y en la reducción de la huella ambiental de la modelización.

“El modelo no solo tiene una huella de carbono mucho menor, sino que cualquiera puede descargarlo de nuestro sitio web y realizar experimentos complejos, incluso sin acceso a una supercomputadora. Esto pone la tecnología al alcance de muchos otros investigadores”, aseveró Dale Durran, profesor de ciencias atmosféricas y climáticas de la UW y coautor del análisis.

De cara al futuro, el equipo planea ampliar DLESyM para incluir otros componentes del sistema terrestre y explorar su aplicación en pronósticos estacionales y subestacionales, áreas con gran potencial de beneficio social inmediato. Aunque el modelo está diseñado para simular el clima actual y su variabilidad interna, los investigadores consideran que su enfoque podría adaptarse para estudiar escenarios futuros si se incorporan forzamientos externos, como el aumento de gases de efecto invernadero.