Los modelos meteorológicos como climáticos: un experimento exitoso
Los modelos meteorológicos de IA ya pronostican con seguridad la atmósfera con varios días de antelación. Pero el clima es la estadística del tiempo durante décadas, por lo que trasladar los algoritmos meteorológicos al plano climático se consideró durante mucho tiempo arriesgado. Si el modelo se entrena solo con períodos cortos, ¿qué ocurrirá tras un año, diez o treinta años de simulación? ¿No empezará a «derivar» hacia un estado irrealista? Los autores de una reciente preimpresión en arXiv decidieron comprobarlo en la práctica, tomando como sujetos de prueba dos modelos de IA: ArchesWeather y su «hermana» probabilística, ArchesWeatherGen.
Ambos modelos se desarrollaron para pronósticos a diez días, y ambos tuvieron que adaptarse seriamente a escalas de tiempo completamente diferentes. Sobre lo que resultó de ello, a continuación.
Dos enfoques para el pronóstico
Es interesante que los modelos estén estructurados de manera diferente. ArchesWeather es un sistema determinista: para cada entrada tiene una única salida. Este enfoque es rápido, pero no ofrece una idea del rango de posibles estados de la atmósfera. ArchesWeatherGen es un modelo probabilístico basado en flow-matching: genera una distribución de posibles escenarios meteorológicos, no una única respuesta. Además, utiliza los pronósticos de ArchesWeather como base para su generación, lo que permite construir un conjunto. El conjunto, a su vez, proporciona una estimación de la incertidumbre, algo importante tanto en el clima como en el tiempo.
Cómo se adaptaron los modelos a las tareas climáticas
Sería ingenuo esperar que un modelo meteorológico se convierta por sí solo en climático. Para el clima, el océano es crítico: acumula calor y controla los procesos lentos. Por ello, los investigadores dotaron a ambos modelos —ArchesWeather y ArchesWeatherGen— de canales de entrada adicionales con condiciones de contorno. Ahora el modelo recibe la temperatura media mensual de la superficie del mar (SST) y la concentración de hielo marino (SIC) y «ajusta» regularmente la dinámica atmosférica en función de ellas.
Las ejecuciones se realizaron siguiendo el protocolo estandarizado de la primera fase de AIMIP, un análogo del conocido proyecto AMIP, pero para modelos de aprendizaje automático. Este reglamento permite comparar diferentes modelos de IA entre sí y con modelos climáticos clásicos. Los autores también realizaron experimentos de ablación: desactivaron elementos individuales de la adaptación para comprender qué es lo que proporciona estabilidad. Además, se compararon configuraciones forzadas (forced), donde el océano se define externamente, y libres (unforced), donde el modelo opera sin un anclaje externo.
Qué mostraron las simulaciones multianuales
Los temores sobre una degradación rápida no se materializaron. En la configuración forzada, tanto ArchesWeather como ArchesWeatherGen demostraron ejecuciones multianuales estables: el ciclo anual no se destruye y se evitaron los «colapsos» climáticos que arruinan una simulación larga. Los modelos reproducen con éxito:
- la climatología básica del reanálisis ERA5;
- la circulación atmosférica a gran escala;
- la variabilidad de un año a otro;
- los estados raros y extremos: las colas de las distribuciones.
En otras palabras, los promedios y la dispersión de valores parecen plausibles no solo en general, sino también en casos extremos. En varios parámetros, las simulaciones de IA no son inferiores a los modelos climáticos numéricos clásicos. Se señaló por separado que las configuraciones forzadas funcionan notablemente mejor que las libres: sin las «pistas» del océano, los errores se acumulan más rápido.
Conclusiones
El trabajo confirma que los modelos de aprendizaje automático, creados originalmente para el pronóstico del tiempo, pueden servir como base para experimentos climáticos. Para ello, basta con añadir condiciones oceánicas externas y seguir cuidadosamente el protocolo de comparación. Es una forma relativamente económica y rápida de obtener simulaciones a largo plazo, aunque aún queda lejos de reemplazar por completo a los modelos clásicos: se necesitan verificaciones más amplias, especialmente en detalles regionales y extremos. Pero los primeros pasos parecen prometedores.
