Vea También
Los investigadores están desarrollando una inteligencia artificial que podría evaluar los puntos de inflexión del cambio climático. El algoritmo de aprendizaje profundo podría actuar como un sistema de alerta temprana contra el cambio climático desbocado.
Chris Bauch, profesor de matemáticas aplicadas de la Universidad de Waterloo, es coautor de un reciente trabajo de investigación que recoge los resultados del nuevo algoritmo de aprendizaje profundo. La investigación estudia los umbrales a partir de los cuales se producen cambios rápidos o irreversibles en un sistema, explicó Bauch. "Descubrimos que el nuevo algoritmo no solo era capaz de predecir los puntos de inflexión con mayor precisión que los enfoques existentes, sino que también proporcionaba información sobre qué tipo de estado se encuentra más allá del punto de inflexión", dijo Bauch. "Muchos de estos puntos de inflexión son indeseables, y nos gustaría evitarlos si podemos".
Algunos de los puntos de inflexión que suelen asociarse con el cambio climático desbocado son el derretimiento del permafrost ártico, que podría liberar cantidades masivas de metano y estimular un calentamiento más rápido; la ruptura de los sistemas de corrientes oceánicas, que podría provocar cambios casi inmediatos en los patrones climáticos; o la desintegración de la capa de hielo, que podría provocar un rápido cambio del nivel del mar.
El enfoque innovador de esta IA, según los investigadores, es que fue programada para aprender no sólo sobre un tipo de punto de inflexión, sino sobre las características de los puntos de inflexión en general.
El enfoque se basa en la hibridación de la IA y las teorías matemáticas de los puntos de inflexión, y logra más de lo que cualquiera de los dos métodos podría por sí solo. Después de entrenar la IA en lo que caracterizan como un "universo de posibles puntos de inflexión" que incluye unos 500.000 modelos, los investigadores la probaron en puntos de inflexión específicos del mundo real en varios sistemas, incluyendo muestras históricas de núcleos climáticos.
"Nuestro método mejorado podría alertar sobre la proximidad de un punto de inflexión peligroso", afirma Timothy Lenton, director del Instituto de Sistemas Globales de la Universidad de Exeter y uno de los coautores del estudio. "Proporcionar una mejor alerta temprana de los puntos de inflexión del clima podría ayudar a las sociedades a adaptarse y reducir su vulnerabilidad a lo que se avecina, incluso si no pueden evitarlo".
El aprendizaje profundo está haciendo grandes avances en el reconocimiento y clasificación de patrones, y los investigadores han convertido, por primera vez, la detección de puntos de inflexión en un problema de reconocimiento de patrones. Esto se hace para tratar de detectar los patrones que se producen antes de un punto de inflexión y conseguir que un algoritmo de aprendizaje automático diga si un punto de inflexión está llegando.
"La gente está familiarizada con los puntos de inflexión en los sistemas climáticos, pero hay puntos de inflexión en la ecología y la epidemiología e incluso en los mercados de valores", dijo Thomas Bury, investigador postdoctoral de la Universidad McGill y otro de los coautores del artículo. "Lo que hemos aprendido es que la IA es muy buena para detectar características de los puntos de inflexión que son comunes a una amplia variedad de sistemas complejos".
El nuevo algoritmo de aprendizaje profundo es un "cambio de juego para la capacidad de anticipar grandes cambios, incluidos los asociados al cambio climático", dijo Madhur Anand, otro de los investigadores del proyecto y director del Instituto Guelph de Investigación Ambiental.
Ahora que su IA ha aprendido cómo funcionan los puntos de inflexión, el equipo está trabajando en la siguiente fase, que consiste en darle los datos de las tendencias contemporáneas del cambio climático. Pero Anand lanzó una advertencia sobre lo que puede ocurrir con esos conocimientos.
"Definitivamente nos da una ventaja", dijo. "Pero, por supuesto, depende de la humanidad lo que hagamos con este conocimiento. Sólo espero que estos nuevos hallazgos conduzcan a un cambio equitativo y positivo".
Fuentes, créditos y referencias:
Thomas M. Bury et al, Deep learning for early warning signals of tipping points, Proceedings of the National Academy of Sciences (2021). DOI: 10.1073/pnas.2106140118