Els grans models del sistema terrestre, els que fan servir els científics per preveure com canviarà el clima, poden tardar mesos a calcular un sol escenari en un superordinador. Per estalviar-se'n la feina, cada cop es fan servir més els emuladors: models d'intel·ligència artificial que aprenen a imitar el resultat d'aquells grans models i responen en una fracció del temps. Però per entrenar-los calen entre sis i vuit escenaris d'emissions realistes, i cadascun obliga a fer una simulació completa. A més, el mateix equip ja havia comprovat que els emuladors entrenats així s'equivoquen quan se'ls planteja un escenari que no s'assembla als que han vist.
L'estudi, publicat aquesta setmana a la revista Proceedings of the National Academy of Sciences (PNAS) i firmat per Christopher Womack, ara a l'ETH de Zúric, Noelle Selin i altres investigadors del MIT i de l'Imperial College de Londres, proposa un altre camí. En lloc d'escenaris realistes, un algorisme fabrica un conjunt d'escenaris sintètics pensats només per ensenyar. Parteix d'un escenari qualsevol, el passa per un model climàtic simple i ràpid, mesura com s'equivoca l'emulador i va modificant les dades (per exemple, canviant de cop les emissions de CO₂ o de metà en anys concrets) fins que l'error baixa d'un llindar. El resultat són corbes plenes d'oscil·lacions brusques, que no s'assemblen a cap futur plausible però que, segons els autors, ensenyen més coses sobre com respon el sistema. Així, només cal fer una vegada la simulació completa amb el gran model, en lloc de sis o vuit.
Segons la nota del MIT, un emulador entrenat amb molt menys dades sintètiques va preveure bé escenaris que no havia vist, mentre que els emuladors tradicionals no s'hi van saber adaptar. Una de les proves era una política local de control d'un contaminant que en fa baixar un mentre els altres continuen pujant, un cas en què els emuladors convencionals fallaven. És rellevant perquè els emuladors serveixen per avaluar ràpidament moltes polítiques climàtiques diferents, i un emulador que només encerta els escenaris coneguts no és fiable precisament per a les decisions noves.
El treball té límits clars. La nota no dona xifres d'error ni de quant temps de càlcul s'estalvia, i el mètode encara no s'ha provat amb un escenari d'emissions generat amb un model complet del sistema terrestre. Els autors volen aplicar-lo ara a altres models climàtics i a altres problemes d'aprenentatge automàtic. L'article original es pot consultar amb l'identificador DOI 10.1073/pnas.2620731123.