IAGenerado
EN · IT · ES

Los científicos del MIT evitan que los modelos de IA meteorológica se desvíen hacia predicciones imposibles

Una nueva técnica permite que los modelos de IA de sistemas caóticos como el clima y las corrientes oceánicas permanezcan físicamente realistas en predicciones a largo plazo.

Al imponer la disipación de energía como restricción estricta, el enfoque evita que las predicciones de la IA crezcan sin límite, permitiendo al mismo tiempo un comportamiento caótico dentro del límite aprendido. Créditos de la imagen: Sunbochen Tang.
Imagen: news.mit.edu
Cómo funciona

Una técnica matemática que obliga a los modelos climáticos con IA a respetar siempre predicciones físicamente posibles

  1. Una computadora aprende una regla de energía al estilo de la física
  2. Se traza un límite alrededor del comportamiento realista
  3. La pérdida de energía se vuelve una norma inquebrantable dentro del modelo
  4. Los supuestos salvajes se corrigen solos y vuelven a la realidad

Qué se puede hacer con ello

  • Un meteorólogo podría ejecutar predicciones meteorológicas a largo plazo que permanezcan dentro de rangos físicamente posibles en lugar de predecir temperaturas o fuerzas imposibles en algún momento 1.
  • Un ingeniero podría usar la técnica para modelar el flujo de aire turbulento con vistas a diseñar turbinas eólicas y aviones más eficientes 1.
  • Un hidrólogo o investigador del clima podría construir herramientas de predicción basadas en IA que permanezcan precisas y acotadas durante ventanas de predicción arbitrariamente largas 1.

Cómo el caos rompía los modelos de IA existentes

Modelar procesos complejos como la dinámica atmosférica, las corrientes oceánicas y la turbulencia ha avanzado enormemente en los últimos años. Pero muchos modelos de IA entrenados sobre estos sistemas comparten un defecto común: en ventanas de predicción más largas, los errores pequeños se acumulan hasta que la simulación produce valores que crecen sin límite 1. En términos prácticos, un modelo meteorológico podría terminar prediciendo temperaturas mucho más altas de lo físicamente posible, o una simulación de flujo podría producir fuerzas que ningún motor o turbina real podría experimentar jamás .

«Un modelo puede ajustarse bien a los datos durante un periodo corto y aun así fallar cuando se le deja correr durante mucho tiempo», dijo el profesor del MIT Navid Azizan 1. Explicó que intentos previos de solucionar este problema solían apoyarse en «imponer penalizaciones o incentivos durante el entrenamiento» mediante funciones diseñadas a partir de conocimiento privilegiado del sistema . La debilidad, señaló, es que esos métodos solo se aplican mientras el modelo está siendo entrenado . Una vez que el modelo se enfrenta a entradas nuevas y no vistas en el momento de evaluarlo, no hay garantía de que respete las restricciones físicas subyacentes, por lo que «el modelo aún podría producir predicciones ilimitadas» .

De un vistazo

Qué cambia cuando un modelo de IA ejecuta simulaciones climáticas durante más tiempo

Enfoque antiguo de IANuevo enfoque del MIT
Límites de predicciónSin límites — deriva hacia temperaturas/fuerzas imposiblesCon restricciones estrictas — se mantiene dentro de lo físicamente posible
Cómo se aplican las reglasSuaves — solo penalizaciones durante el entrenamientoEstricjas — integradas directamente en la salida del modelo
Precisión a largo plazoPronto se degradaPrecisa en ventanas arbitrariamente largas
Fiabilidad al momento de probarSin garantía para entradas no vistasGarantizada incluso en nuevos casos

Según artículo del MIT en PNAS: los modelos de IA convencionales coincidieron con datos a corto plazo pero produjeron predicciones imposibles a largo plazo; el

La solución basada en energía

El enfoque del equipo sigue un camino distinto. En lugar de recompensar al modelo durante el entrenamiento, incrustan límites físicos directamente en su estructura 1. Concretamente, el modelo aprende una función similar a la energía junto con un límite donde el comportamiento caótico debe permanecer confinado . La «capa de proyección», que ajusta cómo el modelo pronostica la evolución de un sistema, aplica la disipación de energía como una norma estricta e inquebrantable . Fuera del límite, la magnitud semejante a la energía debe disminuir, atrayendo al sistema simulado de vuelta a la región acotada .

«El caos no significa que pueda pasar cualquier cosa. Estos sistemas suelen permanecer acotados, y sus modelos también deberían hacerlo», dijo Azizan 1. Al establecer garantías teóricas de que las predicciones permanecen acotadas durante ventanas de predicción arbitrariamente largas, el método aborda lo que los investigadores denominaron «un problema fundamental con muchos de los modelos de aprendizaje automático existentes» . El autor principal, Sunbochen Tang, estudiante de doctorado en el Department of Aeronautics and Astronautics del MIT, señaló que simplemente acotar las salidas con números arbitrarios restringiría la capacidad del modelo para aprender rasgos genuinamente complejos a partir de los datos . Su formulación basada en energía evita ese compromiso.

Probado en varios sistemas físicos

El equipo evaluó su método en una amplia gama de sistemas físicos ya consolidados, desde ejemplos simples de libros de texto hasta configuraciones multidimensionales extremadamente complejas 1. En todos los casos, su método coincidió estrechamente con los resultados reales, mientras que los enfoques convencionales pronto se desviaron hacia predicciones imposibles . El artículo fue publicado en Proceedings of the National Academy of Sciences, firmado por Tang, Azizan y el profesor Themistoklis Sapsis, del Laboratory for Information and Decision Systems del MIT .

Azizan destacó la distinción entre lo que el equipo llama «constraining estricto» versus lo que él describió como el «constraining suave» que usan muchos enfoques actuales 1. Si bien los métodos previos incentivan al modelo para satisfacer restricciones, no las imponen; el nuevo enfoque se basa en el concepto de «redes neuronales con restricciones estrictas» de modo que las salidas permanezcan físicamente consistentes incluso para casos completamente nuevos que el modelo no ha encontrado antes .

Estos resultados podrían permitir predicciones a largo plazo más fiables para sistemas climáticos y flujos turbulentos, fenómenos que influyen en numerosos aspectos de la vida cotidiana, desde la seguridad aérea y la eficiencia energética hasta la predicción del tiempo 1.

Qué tan buena es

El equipo puso a prueba el método en una amplia gama de sistemas físicos conocidos, desde ejemplos simples de libros de texto hasta configuraciones multidimensionales intrincadas. Descubrieron que su aproximación coincidía estrechamente con los resultados reales mientras que los enfoques convencionales pronto se desviaban hacia predicciones imposibles 1. No se proporcionaron puntuaciones numéricas concretas de referencia, ni se reportaron cifras directas de comparación lado a lado en la fuente.

Correcciones y actualizaciones

  • Corregido el 21 de noviembre de 2026. Una versión anterior citaba un enlace de YouTube que no aparecía en la fuente. Los subtítulos originales describían elementos visuales específicos como "trayectorias anidadas y en bucle dentro del círculo azul" y una comparación lado a lado de gráficos que no se encontraban en la fuente, la cual solo atribuye una imagen de Sunbochen Tang con un pie de foto general sobre la disipación de energía para acotar las predicciones.

Los datos clave

  • Investigadores de MIT LIDS publicaron el método en Proceedings of the National Academy of Sciences
  • El enfoque utiliza la disipación de energía como restricción estricta, aplicada mediante una capa de proyección en el modelo
  • Los métodos anteriores basados en penalizaciones fallaron en fase de prueba porque las restricciones no estaban garantizadas fuera del entrenamiento
  • La técnica se probó en sistemas multidimensionales simples y altamente complejos, coincidiendo consistentemente con los resultados reales donde los modelos convencionales se desviaban
  • - La información del estudio se pone libremente disponible

Fuentes

  1. New approach enables physically consistent AI models of chaotic systems

Mira

Pressing the box loads the video from YouTube, which then receives your visit under its own privacy policy. Until then nothing is requested from YouTube.

Si esta noticia te afecta a ti o a tu empresa, o usa algo que te pertenece, pide una corrección o que se retire. Cómo funcionan las solicitudes

Sigue leyendo