El Instituto de Tecnología de Massachusetts (MIT) presentó un algoritmo de aprendizaje automático —una rama de la inteligencia artificial que permite a las computadoras aprender de datos— capaz de generar escenarios plausibles de eventos extremos sin depender de registros previos de desastres de esa magnitud, una herramienta pensada para anticipar riesgos que hoy condicionan la preparación de ciudades, redes eléctricas e infraestructuras críticas frente a tormentas, olas de calor e incendios sin precedentes, según MIT News, el portal de noticias del instituto.
A diferencia de los sistemas habituales, el método está diseñado para estimar cómo podría ser un fenómeno que ocurre una vez cada 100 años, incluso cuando no existe en la base de datos ningún caso equivalente. De acuerdo con el portal institucional, la herramienta puede producir miles de realizaciones posibles de esos episodios raros y estimar su tamaño, duración, intensidad y área de impacto.
Kai Chang, estudiante de posgrado en ingeniería mecánica del instituto e investigador afiliado al Center for Computational Science and Engineering, explicó que el objetivo es modelar eventos extremos inéditos que “nadie ha visto antes” y que no aparecen en los datos disponibles. Themis Sapsis, profesor William I. Koch de ingeniería mecánica y oceánica en MIT, planteó el problema a partir de una referencia: si un huracán como Katrina aparece cada 30 o 40 años, la pregunta es cómo sería uno con una frecuencia de una vez por siglo y qué tan grave podría resultar.
El sistema aprende y descarta escenarios imposibles
La novedad del enfoque es que no necesita entrenarse con ejemplos previos de catástrofes extraordinarias para construir escenarios futuros. En lugar de eso, aprende a partir de registros existentes, como series diarias del tiempo y mapas regionales, aunque esos archivos contengan pocos o ningún episodio de magnitud récord.
Chang señaló que muchos modelos actuales parten del supuesto de que en el conjunto de datos ya existen eventos muy destructivos observados, y a partir de ellos estiman riesgos o intentan reproducir exactamente lo que ya ocurrió. El nuevo sistema busca en cambio identificar cómo serían eventos “más arriesgados que todo” lo registrado hasta ahora y, aun así, estadísticamente plausibles.
El ejemplo que desarrolla la investigación es directo. Si la lluvia más intensa medida alguna vez en Nueva York fue de 200 milímetros, el algoritmo intenta estimar qué tipo de tormenta podría producir 300 milímetros, aunque nunca se haya documentado una precipitación así en la ciudad. Para planificadores urbanos, esa diferencia no es menor: necesitan saber dónde impactaría, qué superficie cubriría y con qué intensidad descargaría para reforzar infraestructura y evaluar vulnerabilidades.
Sapsis precisó: “Queremos predecir mapas de estos peores escenarios. No existe un método que haga esto de manera eficiente para predecir eventos que ocurren raramente”.
Análisis basado en 25 años de mapas de lluvia
Para demostrar el funcionamiento del método, los investigadores lo aplicaron a episodios extremos de precipitación sobre el territorio continental de Estados Unidos. El equipo partió de 25 años de mapas horarios de lluvia, que luego agrupó en mapas diarios para construir la base estadística.
A partir de ese archivo completo, calcularon estadísticas puntuales, es decir, medidas que indican con qué frecuencia la lluvia máxima de un mapa alcanzaba determinado nivel. Después entrenaron el algoritmo con mapas espaciales de baja y alta resolución —con menor y mayor densidad de datos geográficos, respectivamente— emparejados, pero solo de los primeros seis meses del registro, un período con pocos o ningún ejemplo de los niveles de precipitación más extremos.
Con esos datos, el sistema aprendió la relación entre los patrones espaciales de baja resolución y los mapas detallados de precipitación de alta resolución. Luego utilizó las estadísticas puntuales para imponer límites estadísticos de plausibilidad a los extremos de lluvia representados en esos mapas y, así, generar distribuciones geográficas plausibles para fenómenos más intensos que los contenidos en el entrenamiento.
Ese procedimiento permite proyectar, por ejemplo, las posibles ubicaciones, tamaños e intensidades de una tormenta de lluvia centenaria con un máximo de 300 milímetros. El usuario puede formular una consulta concreta, como cómo sería una tormenta de ese tipo en Nueva York, y el algoritmo devuelve mapas estadísticamente plausibles con el área de cobertura, el tamaño del sistema y la fuerza de la precipitación.
Chang explicó que alguien interesado en construir infraestructura resistente a un evento con frecuencia de una vez cada 100 años puede usar la herramienta para obtener miles de escenarios compatibles con esa rareza estadística.
Aplicación para clima, mercados y robótica
El método, al que el equipo llamó Extreme Event Aware, no se limita a fenómenos meteorológicos. Conforme al portal, también podría aplicarse a otros campos donde los eventos extremos son complejos y poco frecuentes, como la navegación robótica o los mercados financieros.
Chang sostuvo que los desplomes bursátiles son episodios extremos formados por combinaciones complejas entre sectores distintos, y que la técnica podría explorar qué interacciones desembocan en una crisis de mercado. La condición para extender su uso a otros ámbitos es contar con estadísticas puntuales y datos relevantes de cada campo.
Sapsis ubicó el problema en una escala más amplia: los eventos extremos ya no son solo una cuestión ambiental, sino también estratégica. Según dijo, los sistemas globales fueron optimizados para la eficiencia y esa eficiencia redujo al mínimo los márgenes de reserva, por lo que un solo episodio extremo puede propagarse en cuestión de semanas a través de cadenas de suministro, mercados energéticos y sistemas alimentarios.
Vale descatar que la investigación se publicó en la revista científica Nature Communications. El trabajo recibió apoyo, en parte, de una Vannevar Bush Faculty Fellowship y de la U.S. Air Force Office of Scientific Research.
