Saber quant carboni orgànic queda enterrat de manera permanent al fons dels oceans, en lloc de tornar a l'atmosfera, és clau per calibrar els models climàtics globals, però els models mecanicistes que descriuen aquest procés amb precisió són tan complexos de calcular que, fins ara, era inviable aplicar-los a escala planetària.
Un equip liderat pel doctor Peyman Babakhani, del Departament d'Enginyeria Civil i de Gestió de la Universitat de Manchester, amb el doctor Majid Sedighi, va publicar el 8 de setembre a la revista The Innovation un mètode que entrena xarxes neuronals perquè «emulin» aquest model mecanicista i en repliquin els resultats a una fracció del cost de càlcul, fent possible per primer cop una estimació global. Els autors van comparar arquitectures d'aprenentatge profund, boscos aleatoris i xarxes neuronals senzilles de tipus feedforward, i van trobar, de manera inesperada, que les xarxes més simples eren les que donaven prediccions més precises. El model conclou que un 11% del carboni orgànic particulat que arriba al fons marí torna a l'aigua com a carboni orgànic dissolt, un 24% queda adsorbit a minerals, i que aproximadament la meitat del carboni orgànic sòlid del metre superior dels sediments marins prové, de fet, de carboni dissolt que s'ha adherit a partícules minerals.
És la primera quantificació global d'aquest procés de carboni dissolt als sediments oceànics, i el marc es pot integrar en models de circulació global per estudiar el paper dels oceans en el cicle del carboni; Babakhani sosté que l'eina «pot tenir un paper important a l'hora de posar a prova a l'ordinador possibles estratègies de mitigació del canvi climàtic basades en l'oceà».
El model és una emulació estadística d'un model mecanicista existent, no una simulació directa dels processos físics i químics reals, i la seva fiabilitat depèn de com de bé el model original que imita representa la diversitat real de sediments marins, que varien molt segons la regió, la profunditat i el tipus de fons oceànic.