El estudiante aprendió física con el libro de texto y se presenta al examen. Los dos primeros problemas los resuelve brillantemente, pero en el tercero se equivoca en algo que no estaba en el libro. Así, más o menos, es la prueba del modelo híbrido de atmósfera NeuralGCM, que se sometió a tres niveles de verificación: ciclones, El Niño y calentamiento anómalo.
El modelo combina un núcleo físico con aprendizaje automático, que sustituye los costosos cálculos de los procesos de pequeña escala. En lugar de calcular cada nubecita, la red neuronal aprende de los datos de reanálisis ERA5 y de las precipitaciones satelitales IMERG de 2001 a 2018. Luego se le pregunta por situaciones que no estaban en esos datos, por ejemplo, un calentamiento uniforme del océano de 4 grados. Así se comprueba si el modelo ha asimilado la física o simplemente ha memorizado la estadística.
El modelo también reconoce El Niño: la teleconexión PNA se reproduce con una correlación de 0,86 para la altura geopotencial de 200 hPa, lo que cae dentro de la dispersión de los modelos físicos. Pero sobreestima la amplitud de la asimetría no lineal de la respuesta. En cambio, con un calentamiento uniforme, la temperatura global en superficie aumenta 0,86 kelvin por kelvin de calentamiento del océano, y las precipitaciones, un 4,14% por kelvin, lo que se acerca a las estimaciones del CMIP6. Parecería que el examen está aprobado.
Sin embargo, en la tropopausa superior y la estratosfera inferior, el modelo produce un enfriamiento excesivo en los trópicos y un calentamiento excesivo en las regiones polares. Por eso, la corriente en chorro no se desplaza hacia el polo como en los modelos físicos. La razón es simple: el modelo no recibió como entrada las concentraciones de dióxido de carbono y ozono, por lo que su respuesta estratosférica no es física.
El estudiante que aprendió física con el libro de texto aprobó el examen, pero no con matrícula de honor. NeuralGCM demostró que los modelos híbridos pueden generalizar más allá de los datos de entrenamiento, algo que no lograban los modelos puramente neuronales. Pero los errores en la estratosfera recuerdan que, antes de confiar en estos modelos para proyecciones climáticas, hay que entender qué mínimo de física necesitan. El examen continúa.
El modelo NeuralGCM se entrenó con datos de reanálisis ERA5 y precipitaciones satelitales IMERG solo de 2001 a 2018, pero logró reproducir la respuesta a un calentamiento que no aparecía en esos datos. Es como si un estudiante que aprendió física con el libro de texto aprobara un examen con problemas que no estaban en el libro.
La idea de una inteligencia híbrida, donde el aprendizaje automático complementa las leyes físicas, resuena con la novela 'Solaris' de Stanisław Lem, donde un océano inteligente genera modelos de los visitantes a partir de recuerdos. Aquí, el modelo genera respuestas climáticas basándose en patrones aprendidos, pero a veces crea fantasmas en la estratosfera.