Modelar fenómenos meteorológicos extremos, aquellos que causan más daños, requiere una gran capacidad de cálculo. Una ola de calor que ocurre una vez cada 100 años necesita al menos 100 años simulados para generar un solo ejemplo por fuerza bruta. Con modelos climáticos de alta resolución, el tiempo de cómputo y el costo energético asociado a dicha simulación se medirían en meses o años, incluso en supercomputadoras.
Investigadores de la Universidad de Chicago, el CNRS París y la Universidad de Nueva York desarrollaron un método que reduce este costo. Su marco de muestreo de eventos raros mejorado con IA (AI+RES), aceptado para publicación en Physical Review Letters, combina un emulador meteorológico de aprendizaje profundo con un algoritmo de división de trayectorias para lograr una reducción de hasta 1.000 veces en los recursos computacionales necesarios para caracterizar estadísticas de olas de calor extremas.
Cómo funciona
El marco tiene dos componentes. El primero es un emulador meteorológico de IA, una red neuronal profunda entrenada con resultados de modelos climáticos que puede ejecutar pronósticos por conjuntos a un costo computacional casi nulo. El emulador funciona como una «función de puntuación», prediciendo qué trayectorias de simulación tienen más probabilidades de conducir a un evento extremo.
El segundo componente es un método de muestreo de eventos raros por división de trayectorias. En momentos de remuestreo programados, el algoritmo duplica las trayectorias prometedoras (aquellas que la IA identifica como probables de producir un evento extremo) y finaliza las no prometedoras. Solo las trayectorias más prometedoras se pasan al modelo climático basado en física completa, en este caso PlaSim, para una simulación de alta fidelidad.
El componente de IA resuelve un problema de larga data con el muestreo de eventos raros: diseñar una buena función de puntuación tradicionalmente requiere un profundo conocimiento del dominio y una extensa prueba y error, y es especialmente difícil para fenómenos extremos de corta duración como las olas de calor. La IA aprende la función de puntuación automáticamente a partir de los resultados del modelo climático.
Rendimiento demostrado
El equipo probó AI+RES en olas de calor de latitudes medias en dos regiones: centradas sobre Francia y el Medio Oeste estadounidense. El marco reprodujo las estadísticas de referencia de las simulaciones largas de PlaSim a un costo menor.
El muestreo estándar sin el refuerzo de IA falló por completo para los eventos más raros: no pudo producir un solo ejemplo de las olas de calor más extremas. Los modelos de IA puros sin el componente físico fueron inexactos y no pudieron extrapolar más allá de sus datos de entrenamiento, una limitación de la predicción meteorológica puramente basada en datos.
El artículo de Physics World que reporta los resultados señala que el enfoque logró un ahorro computacional de «hasta 1.000 veces». El artículo científico en sí reporta un costo 30 a 300 veces menor para la validación específica de olas de calor con PlaSim, reflejando la cifra más alta la combinación AI+RES. La discrepancia refleja la diferencia entre una cifra accesible y redondeada para el público general y el rango medido específico.
El método produce tanto estadísticas precisas como conocimientos físicos sobre los mecanismos que impulsan los eventos extremos, lo que significa que puede utilizarse no solo para predecir la frecuencia de las olas de calor sino también para comprender por qué ocurren.
Por qué es importante
Los modelos climáticos son cada vez más detallados y más costosos de ejecutar. El costo computacional de los modelos de alta resolución limita la cantidad de simulaciones que los investigadores pueden realizar, lo que a su vez limita su capacidad para estimar la probabilidad de eventos extremos que pueden ser raros pero devastadores.
Si el enfoque AI+RES puede generalizarse a otros tipos de eventos extremos , ciclones tropicales, ríos atmosféricos, inundaciones, tormentas eléctricas severas , podría cambiar fundamentalmente la forma en que se evalúa el riesgo climático. En lugar de depender de la extrapolación estadística a partir de datos limitados, los modelos podrían simular directamente miles de años de eventos extremos a una fracción del costo actual.
Los autores, co-primeros autores Amaury Lancelin (CNRS/ENS París) y Alexander Wikner (Universidad de Chicago), con los autores de correspondencia Dorian Abbot (Chicago), Freddy Bouchet (ENS París), Pedram Hassanzadeh (Chicago) y Jonathan Weare (NYU), han puesto el código de AI+RES a disposición de otros investigadores para que lo adapten a sus propios modelos climáticos.
Advertencia
El método solo se ha validado en un modelo climático (PlaSim) y una clase de eventos (olas de calor estivales de latitudes medias). La cifra de 1.000 veces es un límite superior aspiracional que refleja más la cobertura de Physics World que el rango medido en el propio artículo, que reporta ahorros de 30 a 300 veces para el caso de olas de calor. La generalización a otros tipos de eventos y modelos de mayor resolución es el siguiente paso.
Declaración: Basado en un artículo aceptado en Physical Review Letters. arXiv: 2510.27066. DOI: 10.1103/b1gc-9c2q. Reportado a través de Physics World, 6 de julio de 2026.
Traducido por Alessandra