Los investigadores han utilizado el aprendizaje profundo para modelar con mayor precisión que nunca cómo se forman los cristales de hielo en la atmósfera. Sus papelpublicado esta semana en PNAS, insinúa el potencial para aumentar significativamente la precisión de los pronósticos meteorológicos y climáticos.
Los investigadores utilizaron el aprendizaje profundo para predecir cómo se comportan los átomos y las moléculas. Primero, los modelos fueron entrenados en simulaciones a pequeña escala de 64 moléculas de agua para ayudarlos a predecir cómo interactúan los electrones en los átomos. Luego, los modelos replicaron esas interacciones a mayor escala, con más átomos y moléculas. Es esta capacidad de simular con precisión las interacciones de los electrones lo que permitió al equipo predecir con precisión el comportamiento físico y químico.
“Las propiedades de la materia surgen de cómo se comportan los electrones”, dice Pablo Piaggi, investigador de la Universidad de Princeton y autor principal del estudio. “Simular explícitamente lo que sucede en ese nivel es una forma de capturar fenómenos físicos mucho más ricos”.
Es la primera vez que se utiliza este método para modelar algo tan complejo como la formación de cristales de hielo, también conocida como nucleación de hielo. Este es uno de los primeros pasos en la formación de las nubes, que es de donde provienen todas las precipitaciones.
Xiaohong Liu, profesor de ciencias atmosféricas en la Universidad Texas A&M que no participó en el estudio, dice que la mitad de todos los eventos de precipitación, ya sea nieve, lluvia o aguanieve, comienzan como cristales de hielo, que luego crecen y dan como resultado precipitaciones. Si los investigadores pudieran modelar la nucleación del hielo con mayor precisión, podría dar un gran impulso a la predicción meteorológica en general.
La nucleación del hielo se predice actualmente sobre la base de experimentos de laboratorio. Los investigadores recopilan datos sobre la formación de hielo en diferentes condiciones de laboratorio y esos datos se introducen en modelos de predicción meteorológica en condiciones similares del mundo real. Este método funciona lo suficientemente bien a veces, pero a menudo termina siendo inexacto debido a la gran cantidad de variables involucradas en las condiciones climáticas reales. Incluso si algunos factores varían entre el laboratorio y el mundo real, los resultados pueden ser bastante diferentes.
“Sus datos solo son válidos para una determinada región, temperatura o tipo de configuración de laboratorio”, dice Liu.
Predecir la nucleación del hielo a partir de la forma en que interactúan los electrones es mucho más preciso, pero también es muy costoso computacionalmente. Requiere que los investigadores modelen al menos de 4000 a 100 000 moléculas de agua, e incluso en supercomputadoras, tal simulación podría tardar años en ejecutarse. Incluso eso solo sería capaz de modelar las interacciones durante 100 picosegundos, o 10-10 segundos, no lo suficiente para observar el proceso de nucleación del hielo.
Sin embargo, utilizando el aprendizaje profundo, los investigadores pudieron ejecutar los cálculos en solo 10 días. La duración del tiempo también fue 1000 veces más larga, todavía una fracción de segundo, pero lo suficiente para ver la nucleación.
Por supuesto, los modelos más precisos de la nucleación del hielo por sí solos no harán que el pronóstico sea perfecto, dice Liu, ya que es solo un componente pequeño, aunque crítico, del modelado del clima. Otros aspectos también son importantes: comprender cómo crecen las gotas de agua y los cristales de hielo, por ejemplo, y cómo se mueven e interactúan juntos en diferentes condiciones.
Aún así, la capacidad de modelar con mayor precisión cómo se forman los cristales de hielo en la atmósfera mejoraría significativamente las predicciones meteorológicas, especialmente aquellas que involucran si es probable que llueva o nieve y cuánto. También podría ayudar a la predicción del clima al mejorar la capacidad de modelar las nubes, que afectan la temperatura del planeta de manera compleja.
Piaggi dice que la investigación futura podría modelar la nucleación del hielo cuando hay sustancias como el humo en el aire, lo que podría mejorar aún más la precisión de los modelos. Gracias a las técnicas de aprendizaje profundo, ahora es posible usar interacciones de electrones para modelar sistemas más grandes durante períodos de tiempo más prolongados.
“Eso ha abierto esencialmente un nuevo campo”, dice Piaggi. “Ya está teniendo y tendrá un papel aún mayor en las simulaciones en química y en nuestras simulaciones de materiales”.