Los modelos modernos del sistema Tierra son precisos, pero costosos computacionalmente. El aprendizaje automático promete acelerar la simulación, pero la confianza en tales modelos requiere evidencia de que han asimilado las leyes físicas, no solo memorizado estadísticas. Trabajos anteriores evaluaron modelos de redes neuronales en escalas sinópticas o pronósticos a corto plazo, pero su comportamiento bajo forzamientos anómalos a largo plazo seguía siendo desconocido. Junto a este trabajo en el archivo hay estudios que utilizan redes neuronales para mapas gravitacionales de galaxias, mejora de modelos climáticos y reconocimiento de la red cósmica, lo que subraya la tendencia general hacia la hibridación de la física y el aprendizaje automático.
Los autores diseñaron tres series de experimentos idealizados con el modelo NeuralGCM en su versión con ruido estocástico, resolución de 2,8 grados y 37 niveles verticales. Para los ciclones, tomaron 526 casos invernales de ciclones extratropicales sobre el norte del océano Pacífico durante 1979–2020 y ejecutaron el modelo durante cuatro días desde el momento de la génesis, comparando con el reanálisis ERA5 y los modelos climáticos CMIP6. Para El Niño, utilizaron compuestos de anomalías de eventos fuertes definidos por el índice Niño3.4. Para el calentamiento, realizaron cálculos de larga duración de 36 años con calentamiento uniforme de la superficie oceánica de 2 y 4 kelvin, así como conjuntos cortos de 20 miembros con calentamiento de 1 a 4 kelvin. La calidad se evaluó mediante coeficientes de correlación espacial y errores cuadráticos medios normalizados.
En la escala sinóptica, NeuralGCM reproduce la evolución de los ciclones extratropicales con un coeficiente de correlación superior a 0,8 para la altura geopotencial de 500 hPa en los primeros días, comparable a los modelos CMIP6. Para el tercer día, el modelo sobreestima el tamaño espacial de los ciclones en un 50–63%, lo que se relaciona con un gradiente excesivo de vorticidad potencial. Para El Niño, el modelo reproduce la teleconexión PNA con una correlación de 0,86 para la altura geopotencial de 200 hPa, dentro de la dispersión de los modelos CMIP6, pero sobreestima la amplitud de la asimetría no lineal de la respuesta. Con calentamiento uniforme, la temperatura superficial global aumenta 0,86 kelvin por kelvin de calentamiento oceánico, y la precipitación un 4,14% por kelvin, cercano a las estimaciones de CMIP6. Sin embargo, en la troposfera superior y la estratosfera inferior, el modelo produce enfriamiento excesivo en los trópicos y calentamiento excesivo en las regiones polares, por lo que la corriente en chorro no se desplaza hacia el polo como en los modelos físicos.
El trabajo muestra que un modelo híbrido con núcleo dinámico puede generalizar más allá de los datos de entrenamiento, algo que los modelos puramente neuronales no lograban. A diferencia de los trabajos vecinos, donde las redes neuronales solo emulan modelos físicos o resuelven tareas específicas, aquí se prueba la dinámica climática completa en tres escalas temporales. Los errores en la estratosfera señalan una limitación fundamental: el modelo no recibió concentraciones de dióxido de carbono y ozono como entrada, por lo que su respuesta estratosférica no es física. Esto plantea la cuestión del mínimo de física necesario en los modelos híbridos para confiar en las proyecciones climáticas.
El tema evolucionará hacia la inclusión de componentes adicionales del sistema Tierra, como océano, hielo y biogeoquímica, en los modelos híbridos. Aumentar la resolución y ampliar los datos de entrenamiento, incluidos los satelitales de la estratosfera, podría corregir los errores en las capas superiores de la atmósfera. Es probable que aparezcan conjuntos de pruebas estandarizados para modelos climáticos de aprendizaje automático, similares a los protocolos CMIP.
Los resultados influirán en el desarrollo de la próxima generación de modelos del sistema Tierra, donde el aprendizaje automático reemplace parametrizaciones costosas. También son importantes para el pronóstico operativo del tiempo y para las evaluaciones de riesgo climático, donde se necesitan cálculos de conjunto rápidos.
El siguiente paso será cuantificar la contribución del componente de aprendizaje automático y del núcleo dinámico a los errores del modelo, por ejemplo, desactivando el bloque de aprendizaje automático. También es necesario ampliar las pruebas a otros tipos de forzamientos, como cambios en la concentración de gases de efecto invernadero.
El trabajo está directamente relacionado con el problema no resuelto de la modelización climática: cómo combinar consistencia física y eficiencia computacional. Los errores en la estratosfera reflejan una dificultad antigua de los modelos para reproducir la estructura vertical de la atmósfera, y la sobreestimación de los ciclones apunta al problema de la parametrización de vórtices dependiente de la escala. Para la climatología, la cuestión clave es si se puede confiar en los modelos de aprendizaje automático fuera de la muestra de entrenamiento, y este trabajo da una respuesta parcialmente positiva.
Esta sección está dirigida al autor del trabajo y a sus colegas. Los trabajos vecinos los encontró la búsqueda por significado en nuestro archivo, no por coincidencia de palabras. No evaluamos: mostramos el campo alrededor.
Qué hace el trabajo
Los autores probaron el modelo híbrido NeuralGCM en tres niveles: ciclones sinópticos, respuesta a El Niño y calentamiento oceánico uniforme. Compararon el modelo con el reanálisis ERA5 y los modelos CMIP6, evaluando correlaciones y errores. Se identificaron errores sistemáticos: sobreestimación del tamaño de los ciclones y una respuesta estratosférica incorrecta.
Dónde está su fuerza
El trabajo demuestra que un modelo híbrido con núcleo dinámico puede generalizar más allá de los datos de entrenamiento, reproduciendo respuestas climáticas clave. Esto es un argumento sólido a favor de la confiabilidad de estos modelos para pronósticos a largo plazo.
Hacia dónde puede avanzar
Vale la pena probar
Por qué puede importar
Si se logran corregir los errores sistemáticos identificados, los modelos híbridos se convertirán en una herramienta fiable para estudiar el cambio climático, combinando la velocidad del aprendizaje automático con la credibilidad física.
Trabajos cercanos en nuestro archivo
El archivo está vacío alrededor de este trabajo: el análisis más cercano queda en 0.54, frente a un 0.64 habitual. Parece que aquí al lado casi nadie ha perforado.
El modelo NeuralGCM se entrenó con datos del reanálisis ERA5 y precipitaciones satelitales IMERG solo de 2001 a 2018, pero logró reproducir la respuesta al calentamiento, que no estaba presente en esos datos. Es como si un estudiante que aprendió física con un libro de texto aprobara un examen con problemas que no estaban en el libro.
La idea de inteligencia híbrida, donde el aprendizaje automático complementa las leyes físicas, resuena con la novela de Stanisław Lem 'Solaris', donde un océano inteligente genera modelos de visitantes a partir de recuerdos. Aquí, el modelo genera respuestas climáticas basándose en patrones aprendidos, pero a veces crea fantasmas en la estratosfera.