En una era en la que la inteligencia artificial se está consolidando como la solución a los desafíos globales más complejos, desde la medicina hasta las finanzas, su aplicación en la ciencia del clima se ha convertido en una de las áreas de investigación más propulsoras. Sin embargo, un estudio reciente realizado por investigadores del Instituto Tecnológico de Massachusetts (MIT) aporta un giro sorprendente y, en cierto modo, aleccionador, sugiriendo que en la carrera por predicciones climáticas más precisas, los modelos de aprendizaje profundo más grandes y complejos no siempre son sinónimo de mejores resultados. Su trabajo revela que, en ciertos escenarios, modelos considerablemente más simples, basados en leyes físicas fundamentales, pueden proporcionar pronósticos más precisos que los sistemas de IA más avanzados.

Los científicos medioambientales dependen cada vez más de vastos modelos de inteligencia artificial para predecir cambios en los patrones meteorológicos y el clima a largo plazo. No obstante, un nuevo análisis del equipo del MIT muestra cómo la variabilidad natural inherente a los datos climáticos puede representar un serio obstáculo para los modelos de IA, causando dificultades en la predicción de las temperaturas locales y la cantidad de precipitaciones. Su investigación no es solo una comparación de dos metodologías, sino también una profunda crítica a los métodos de evaluación (benchmarking) existentes que se utilizan para valorar el rendimiento de los modelos de aprendizaje automático en la climatología.

Métricas de rendimiento problemáticas y la trampa oculta de las oscilaciones naturales

El problema clave con el que se toparon los investigadores reside en las técnicas de prueba estándar. Se demostró que estas técnicas pueden verse significativamente distorsionadas por las variaciones naturales dentro de los propios datos climáticos, como las fluctuaciones plurianuales en los patrones meteorológicos como los fenómenos de El Niño y La Niña. Este "ruido" inherente en los datos puede crear la falsa impresión de que un modelo de aprendizaje profundo es extremadamente preciso, cuando en realidad su éxito se basa en suposiciones erróneas o en la adaptación a ciclos a corto plazo e impredecibles. Esto lleva a una situación en la que un modelo puede parecer superior, sin que sea realmente el caso cuando se observan las tendencias estables a largo plazo.

Ante este desafío, los científicos desarrollaron una forma más robusta y fiable de evaluar estas técnicas. Aplicando el nuevo enfoque, lograron discernir más claramente las fortalezas y debilidades de los diferentes modelos. Los resultados fueron inequívocos: mientras que los modelos más simples mostraron una precisión superior en la estimación de las temperaturas superficiales regionales, los enfoques más complejos basados en el aprendizaje profundo resultaron ser una mejor opción para estimar las precipitaciones locales, que son por su naturaleza mucho más caóticas y difíciles de modelar.

Estos hallazgos se utilizaron para mejorar una herramienta de simulación conocida como emulador climático. Los emuladores son aproximaciones simplificadas de modelos climáticos complejos que se ejecutan en superordenadores durante semanas o meses. Su principal ventaja es la velocidad; permiten a los científicos y a los responsables políticos simular en muy poco tiempo los efectos de diferentes escenarios de actividades humanas, como la reducción o el aumento de las emisiones de gases de efecto invernadero, sobre el clima futuro.

Una advertencia sobre la aplicación de la inteligencia artificial

El equipo de investigación ve su trabajo como una especie de "historia con moraleja" que advierte sobre los riesgos de implementar de forma acrítica grandes modelos de IA en el campo de la ciencia del clima. Si bien los modelos de aprendizaje profundo han logrado un éxito increíble en dominios como el procesamiento del lenguaje natural o el reconocimiento de imágenes, la ciencia del clima es fundamentalmente diferente. Se basa en leyes físicas y aproximaciones probadas, y el verdadero desafío radica en cómo integrar eficientemente estos principios fundamentales en la estructura de un modelo de IA, en lugar de depender exclusivamente de la capacidad del modelo para aprender de forma autónoma a partir de los datos.

Noelle Selin, autora principal del estudio y profesora del Instituto de Datos, Sistemas y Sociedad (IDSS) del MIT, enfatiza la importancia de este enfoque: "Nuestro objetivo es desarrollar modelos que sean útiles y relevantes para las decisiones que los responsables políticos tendrán que tomar en el futuro. Aunque puede ser tentador aplicar el modelo de aprendizaje automático más reciente y complejo a un problema climático, este estudio demuestra que es crucial detenerse y reflexionar a fondo sobre los fundamentos del problema. Esto no solo es importante, sino también extremadamente beneficioso."

Comparando dos mundos: Escalado lineal frente a aprendizaje profundo

Dado que el clima de la Tierra es un sistema increíblemente complejo, ejecutar los modelos climáticos más avanzados para predecir el impacto de los niveles de contaminación en factores ambientales como la temperatura puede llevar semanas, incluso en los superordenadores más potentes del mundo. Por eso, los científicos a menudo recurren a los emuladores climáticos. Un responsable político puede utilizar un emulador de este tipo para evaluar rápidamente cómo afectarían al futuro las temperaturas unas suposiciones alternativas sobre las emisiones de gases de efecto invernadero, lo que les ayuda a dar forma a las regulaciones y estrategias.

Sin embargo, un emulador es inútil si proporciona pronósticos inexactos sobre los impactos locales del cambio climático. Aunque el aprendizaje profundo se ha vuelto cada vez más popular para construir emuladores, pocos estudios han investigado en detalle si estos modelos modernos superan a los enfoques probados y más simples. Eso es exactamente lo que hizo el equipo del MIT. Compararon una técnica tradicional conocida como escalado de patrones lineales (LPS) con un modelo de aprendizaje profundo, utilizando un conjunto de datos de referencia común para la evaluación de emuladores climáticos.

Sus resultados iniciales mostraron que el LPS superó a los modelos de aprendizaje profundo en la predicción de casi todos los parámetros probados, incluyendo la temperatura y las precipitaciones. "Los grandes métodos de IA son muy atractivos para los científicos, pero rara vez resuelven un problema completamente nuevo. Por lo tanto, es necesario implementar primero una solución existente y más simple para determinar si el enfoque complejo del aprendizaje automático realmente aporta una mejora", explica Björn Lütjens, autor principal del estudio.

Una nueva metodología para una evaluación más justa

Algunos de los resultados iniciales contradecían los conocimientos fundamentales de los investigadores. Se esperaba que un potente modelo de aprendizaje profundo fuera más preciso en la predicción de las precipitaciones, ya que estos datos no siguen un patrón lineal simple. Un análisis más detallado reveló que la gran cantidad de variabilidad natural en las simulaciones de los modelos climáticos hace que el modelo de aprendizaje profundo se desenvuelva mal con las oscilaciones impredecibles a largo plazo, como los ciclos de El Niño/La Niña. Esto sesgó los resultados de las pruebas a favor del LPS, que simplemente "promedia" estas oscilaciones y, por lo tanto, ignora su complejidad.

Basándose en esta idea, los investigadores construyeron una nueva evaluación más completa con más datos que tiene en cuenta la variabilidad climática natural. Con esta nueva metodología, el panorama cambió: el modelo de aprendizaje profundo demostró ser ligeramente mejor que el LPS para predecir las precipitaciones locales, pero el LPS aún mantuvo su ventaja como una herramienta más precisa para predecir la temperatura.

"Es importante utilizar la herramienta de modelado que sea apropiada para el problema específico, pero para poder hacerlo, primero debes plantear el problema correctamente", añade Selin. Basándose en estos resultados, los investigadores integraron el LPS en su plataforma de emulación climática para predecir los cambios de temperatura locales en diferentes escenarios de emisiones.

Sin embargo, el equipo enfatiza que el objetivo no es declarar el LPS como una solución universal. "No abogamos por que el LPS deba ser siempre el objetivo. Todavía tiene sus limitaciones. Por ejemplo, el LPS no predice la variabilidad ni los fenómenos meteorológicos extremos", señala Raffaele Ferrari, coautor del estudio. En cambio, esperan que sus resultados resalten la necesidad de desarrollar mejores técnicas para comparar y evaluar modelos, que podrían proporcionar una imagen más completa de qué técnica de emulación climática es la más apropiada para una situación determinada.

Con puntos de referencia mejorados para la emulación climática, podríamos utilizar métodos de aprendizaje automático más complejos para explorar problemas que actualmente son muy difíciles de resolver, como el impacto de los aerosoles o la evaluación del riesgo de precipitaciones extremas. En última instancia, unas técnicas de evaluación más precisas garantizarán que los responsables políticos basen sus decisiones en la mejor información disponible, lo cual es de vital importancia en la lucha contra el cambio climático. Los investigadores esperan que otros continúen su análisis, quizás estudiando mejoras adicionales en los métodos y puntos de referencia para la emulación climática. Dicha investigación podría explorar métricas centradas en impactos concretos, como indicadores de sequía y riesgos de incendios forestales, o nuevas variables como las velocidades regionales del viento.

Fuente: Massachusetts Institute of Technology