Un estudiante aprende 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 venía en el libro. Así es, más o menos, la prueba del modelo atmosférico NeuralGCM, al que se sometió a tres niveles de verificación: ciclones, El Niño y un calentamiento anómalo.

El modelo combina un núcleo físico con aprendizaje automático, que sustituye los cálculos costosos de los procesos a pequeña escala. En lugar de calcular cada nubecita, la red neuronal aprende de los datos meteorológicos de 2001–2018. Luego se le pregunta por situaciones que no estaban en esos datos, como un calentamiento uniforme del océano de 4 grados. Así se comprueba si el modelo ha asimilado la física o solo se ha aprendido la estadística de memoria.

El modelo también reconoce El Niño, pero ante un calentamiento uniforme, la temperatura global aumenta 0,86 grados por cada grado de calentamiento del océano, un valor cercano al de los modelos clásicos. Sin embargo, en la troposfera 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 causa es sencilla: 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 ha demostrado que los modelos híbridos pueden generalizar más allá de los datos de entrenamiento, algo que los modelos puramente neuronales no lograban. 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.