El MIT desarrolla un marco de IA para modelar extremos climáticos sin precedentes más allá de los registros históricos

Científicos del Massachusetts Institute of Technology han desarrollado un marco de aprendizaje automático capaz de modelar eventos climáticos sin precedentes, ofreciendo a los planificadores urbanos y analistas de riesgo climático una herramienta para simular escenarios de desastre más allá de la historia registrada. El sistema de inteligencia artificial genera modelos atmosféricos físicamente verosímiles para eventos graves que nunca han ocurrido en los registros de observación modernos, según información publicada por TOI Science Desk en agosto de 2026. Como demostración de referencia, los investigadores aplicaron el marco para simular un evento hipotético de precipitación de 300 milímetros en un solo día sobre New York City, una cifra que supera drásticamente el máximo histórico registrado en la ciudad de aproximadamente 200 milímetros. Al sintetizar la física atmosférica en algoritmos generativos de aprendizaje automático, la herramienta cierra una brecha crítica en la resiliencia climática: permitir que las infraestructuras se diseñen no para los peores eventos del pasado, sino para los extremos sin precedentes de un clima en cambio.

## Datos clave - Investigadores del Massachusetts Institute of Technology desarrollaron un marco de inteligencia artificial para simular extremos meteorológicos que se sitúan completamente fuera de los conjuntos de datos históricos. - El modelo evaluó un escenario que presentaba 300 milímetros de lluvia sobre New York City, muy por encima del récord histórico máximo en un solo día de la ciudad de aproximadamente 200 milímetros. - Los modelos de riesgo tradicionales se basan en datos de estaciones históricas y extrapolación estadística, que con frecuencia no tienen en cuenta las condiciones climáticas no estacionarias. - El marco incorpora aprendizaje automático guiado por la física para garantizar que los escenarios meteorológicos graves sintéticos sigan siendo físicamente verosímiles desde el punto de vista de la dinámica de fluidos y la termodinámica. - Los sistemas modernos de drenaje urbano en las principales ciudades del mundo suelen estar diseñados para resistir eventos históricos de 50 o 100 años en lugar de riesgos de cola no observados.

## Qué ocurrió El desarrollo aborda uno de los cuellos de botella computacionales más persistentes en las ciencias atmosféricas: simular catástrofes físicas que no tienen un punto de referencia observacional previo. Los modelos tradicionales de inteligencia artificial entrenados con datos históricos de reanálisis meteorológico funcionan bien para predecir patrones meteorológicos conocidos. Sin embargo, cuando se les exige pronosticar condiciones fuera de su distribución de entrenamiento, las arquitecturas estándar de aprendizaje profundo a menudo producen resultados físicamente imposibles o regresan hacia los promedios históricos.

Para superar esto, el equipo de investigación del MIT construyó una arquitectura de aprendizaje automático guiada por la física diseñada para la simulación de valores extremos. En lugar de basarse únicamente en el reconocimiento empírico de patrones, el sistema impone restricciones físicas fundamentales, incluida la conservación de la masa, el momento y la energía térmica dentro de las columnas atmosféricas. Esto garantiza que cuando la inteligencia artificial proyecta un escenario extremo, los campos meteorológicos resultantes —como la velocidad del viento, la presión barométrica, el contenido de humedad atmosférica y la temperatura en superficie— sigan siendo físicamente coherentes.

Al probar el sistema, los investigadores evaluaron cómo podría manifestarse una perturbación atmosférica catastrófica sobre la región metropolitana de New York. Los registros históricos indican que la mayor acumulación de precipitación en un solo día en New York City ronda los 200 milímetros. El marco del MIT generó simulaciones detalladas y localizadas de una tormenta plausible capaz de dejar 300 milímetros de lluvia, un aumento del 50 por ciento por encima de los registros observacionales conocidos.

El resultado obtenido proporciona una cartografía espacialmente explícita y resuelta en el tiempo de cómo se movería una tormenta de este tipo a través de la topografía urbana. Identifica cómo las masas de aire cargadas de humedad podrían estancarse sobre cuencas hidrográficas específicas, desencadenando inundaciones relámpago compuestas en barrios de zonas bajas, corredores de transporte subterráneo e infraestructuras de autopistas críticas.

## Por qué es importante La capacidad de generar escenarios de tormentas sin precedentes y físicamente coherentes representa un cambio significativo para las infraestructuras públicas, la política de adaptación climática, las finanzas municipales y la industria aseguradora global.

Durante décadas, los ingenieros civiles y los planificadores urbanos han diseñado obras públicas utilizando mapas históricos de riesgo de inundación preparados por agencias gubernamentales. En los Estados Unidos, la Federal Emergency Management Agency elabora mapas basados en análisis estadísticos de registros de estiaje y datos de precipitaciones recopilados durante los 50 a 100 años anteriores. Estos mapas establecen códigos de construcción, regulaciones de zonificación y requisitos de elevación para infraestructuras críticas como plantas de tratamiento de agua y redes de transporte.

Sin embargo, los registros históricos son guías cada vez menos fiables para el riesgo futuro. Bajo la relación de Clausius-Clapeyron, cada aumento de 1 grado Celsius en la temperatura atmosférica media global permite que la atmósfera retenga aproximadamente un 7 por ciento más de vapor de agua. A medida que las temperaturas globales aumentan, los sistemas de tormentas absorben mayores cantidades de humedad, lo que lleva a una mayor intensidad de precipitación durante las tormentas graves.

Si la planificación municipal sigue anclada a los límites superiores históricos, las infraestructuras de nueva construcción seguirán estando subdiseñadas para las condiciones de mediados de siglo. Un evento de precipitación de 300 milímetros en New York City, tal como lo simula el marco del MIT, desbordaría las redes estándar de alcantarillado pluvial diseñadas para umbrales volumétricos inferiores. Tal evento arriesgaría una inundación catastrófica de los túneles del metro, las bóvedas eléctricas subterráneas y las zonas residenciales.

Más allá de la planificación física, la tecnología tiene implicaciones directas para los seguros. Las compañías de reaseguros se basan en modelos de catástrofes para determinar los requisitos de reserva de capital y suscribir riesgos inmobiliarios. Los modelos que no anticipan riesgos de cola no observados pueden provocar una desestabilización repentina del mercado o la insolvencia tras un desastre. Al proporcionar simulaciones granulares de extremos teóricos, la herramienta del MIT permite a las aseguradoras y agencias de calificación de bonos realizar pruebas de esfuerzo financieras realistas.

## Antecedentes El desafío de predecir eventos meteorológicos raros y graves se ha dividido tradicionalmente entre dos metodologías computacionales, de las cuales ambas sufren limitaciones estructurales.

El primer enfoque se basa en modelos de circulación global y sistemas numéricos de predicción meteorológica. Estos motores computacionales basados en la física resuelven ecuaciones de dinámica de fluidos a través de mallas tridimensionales que rodean el globo. Aunque son físicamente rigurosos, los modelos de circulación global de alta resolución requieren una potencia de supercomputación masiva. Ejecutar suficientes iteraciones de conjuntos de alta resolución para capturar eventos extremadamente raros —como una tormenta con periodo de retorno de 1 en 500 años— requiere inmensos recursos computacionales y tiempo, lo que hace que la exploración exhaustiva del riesgo de cola sea computacionalmente prohibitiva para los departamentos de planificación municipal.

El segundo enfoque histórico se apoya en la matemática estadística, específicamente en la teoría de valores extremos. La teoría de valores extremos ajusta distribuciones de probabilidad paramétricas a los registros históricos de las estaciones para extrapolar los periodos de retorno de eventos no observados. Sin embargo, la teoría de valores extremos se basa en la suposición fundamental de la estacionariedad del clima: el principio de que los sistemas naturales fluctúan dentro de un margen inalterable de variabilidad. La rápida aceleración del cambio climático ha invalidado la estacionariedad. La extrapolación de distribuciones históricas en un clima no estacionario conduce con frecuencia a una grave subestimación de la frecuencia y magnitud de los eventos futuros.

En los últimos años, los modelos de aprendizaje profundo entrenados con décadas de datos de reanálisis meteorológico global —como el conjunto de datos ERA5 del European Centre for Medium-Range Weather Forecasts, que cataloga parámetros atmosféricos desde 1979 hasta el presente— han transformado el pronóstico meteorológico a corto plazo. Sistemas como GraphCast de Google DeepMind y FourCastNet de Nvidia pueden generar pronósticos globales a cinco días en segundos utilizando unidades de procesamiento gráfico individuales. Sin embargo, dado que estas redes neuronales aprenden exclusivamente del reanálisis histórico, tienen dificultades cuando se les encomienda predecir eventos que superan los valores máximos presentes en sus conjuntos de entrenamiento.

Los eventos históricos recientes han demostrado el peligro real de confiar en los topes históricos. En septiembre de 2021, los remanentes del Hurricane Ida dejaron más de 80 milímetros de lluvia en una sola hora sobre Central Park, estableciendo un récord de corta duración para New York City e inundando los metros. En junio de 2021, un domo de calor extraordinario sobre el Pacific Northwest elevó las temperaturas en Lytton, British Columbia, a 49,6 grados Celsius, pulverizando los récords nacionales anteriores por casi 5 grados Celsius, un resultado que los modelos estándar habían calculado como estadísticamente casi imposible bajo distribuciones históricas.

## Reacciones Tras el informe de TOI Science Desk, se espera que científicos climáticos, responsables de resiliencia urbana y especialistas en gestión de riesgos evalúen cómo se puede integrar el sistema de IA guiado por la física en los marcos existentes de respuesta ante desastres e infraestructuras.

Se prevé que los investigadores atmosféricos se centren en validar las restricciones físicas del modelo en diversas topografías globales, garantizando que las tormentas sintéticas generadas en regiones costeras, zonas montañosas y cuencas fluviales interiores reflejen de forma coherente las realidades termodinámicas locales. Se espera que las asociaciones de ingeniería civil revisen si los datos sintéticos de riesgo de cola se pueden incorporar en los códigos de construcción revisados y en los manuales de gestión de aguas pluviales.

Las instituciones financieras y los emisores de bonos municipales también están siguiendo de cerca el desarrollo. Las agencias de calificación exigen cada vez más a las ciudades que divulguen los riesgos climáticos físicos antes de emitir bonos municipales a largo plazo para proyectos de infraestructura. Demostrar la capacidad de modelar y soportar perturbaciones climáticas sin precedentes podría convertirse en un requisito estándar para mantener las calificaciones crediticias en las áreas metropolitanas costeras.

## Lo que aún no se sabe A pesar de las prometedoras capacidades del marco del MIT, varias cuestiones técnicas y operativas siguen sin respuesta.

Aún no está claro con qué facilidad se puede escalar y calibrar el modelo para entornos geográficos con estaciones históricas de monitoreo meteorológico limitadas, como regiones del Global South. Aunque los principales centros urbanos como New York City cuentan con densas redes de estaciones meteorológicas y cobertura de radar que abarca más de un siglo, las regiones en desarrollo a menudo carecen de datos observacionales de alta densidad, lo que podría afectar a la fundamentación de las líneas base de aprendizaje automático.

Además, la validación presenta una paradoja inherente. Dado que el sistema está diseñado específicamente para simular eventos extremos sin precedentes, la validación empírica directa de sus resultados de mayor intensidad es imposible hasta que realmente ocurra un desastre comparable. Los investigadores deben confiar en técnicas de validación sustitutas, como probar si el modelo puede recrear con precisión eventos extremos históricos cuando se le entrena con conjuntos de datos truncados que excluyen dichos eventos.

Por último, aún no se han detallado completamente aspectos específicos sobre el acceso público, la carga computacional y las licencias de distribución. Se desconoce si el MIT planea lanzar el modelo como software de código abierto para agencias públicas de planificación urbana en todo el mundo o licenciar el marco a través de asociaciones privadas de análisis climático.

## A qué prestar atención En los próximos meses, varios hitos clave aclararán el impacto práctico de la investigación: - Publicación de literatura técnica completa revisada por pares que detalle la arquitectura matemática y las funciones de pérdida física de la red neuronal. - Anuncios de proyectos piloto entre investigadores del MIT y agencias públicas, como New York City Emergency Management, la Federal Emergency Management Agency o autoridades de tránsito regionales. - La publicación de conjuntos de datos de referencia que muestren escenarios sintéticos de riesgo de cola para otras grandes áreas metropolitanas globales susceptibles de sufrir peligros climáticos graves. - Presentaciones técnicas en las próximas conferencias globales sobre clima e inteligencia artificial, como la reunión anual de la American Meteorological Society o NeurIPS. - Posible integración de modelos generativos guiados por la física en plataformas comerciales de evaluación de riesgos utilizadas por los sectores asegurador y bancario globales.

Este informe se basa en la cobertura científica original de TOI Science Desk.