Un grupo de investigadores ha utilizado el aprendizaje profundo para modelar con mayor precisión que nunca cómo se forman los cristales de hielo en la atmósfera. Su artículo, publicado recientemente en PNAS, muestra 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. En un primer momento, los modelos fueron entrenados en simulaciones a pequeña escala de 64 moléculas de agua para predecir cómo interactúan los electrones en los átomos. Posteriormente, los modelos replicaron esas interacciones a mayor escala, con más átomos y moléculas. Es justo esta capacidad de simular con precisión las interacciones de los electrones lo que permitió al equipo predecir correctamente el comportamiento físico y químico.

"Las propiedades de la materia surgen de cómo se comportan los electrones", afirma el investigador de la Universidad de Princeton (EE UU) y autor principal del estudio, Pablo Piaggi. "Simular explícitamente lo que sucede en ese nivel es una forma de captar los fenómenos físicos mucho más amplios", indica Piaggi.

Es la primera vez que se utiliza este método para modelar algo tan complejo como la formación de cristales de hielo, también conocida como la nucleación del hielo. Se trata de uno de los primeros pasos en la formación de las nubes, que es de donde provienen todas las precipitaciones.

El profesor de ciencias atmosféricas de la Universidad Texas A&M (EE UU) Xiaohong Liu, que no participó en el estudio, explica que la mitad de todas las precipitaciones, ya sea en forma de nieve, lluvia o aguanieve, comienzan como cristales de hielo, que luego crecen y dan como resultado estos fenómenos. Si los investigadores lograran modelar la nucleación del hielo con mayor precisión, eso podría dar un gran impulso a la predicción meteorológica en general.

La nucleación del hielo se predice actualmente sobre la base de los experimentos de laboratorio. Los investigadores recogen los datos sobre la formación de hielo en diferentes condiciones de laboratorio y esos datos se introducen en los modelos de predicción meteorológica en las condiciones similares del mundo real. Este método funciona suficientemente bien a veces, pero a menudo termina siendo inexacto debido a la gran cantidad de variables involucradas en las condiciones climáticas reales. Si solo varían unos pocos factores entre el laboratorio y el mundo real, los resultados pueden ser bastante diferentes.

"Los datos solo son válidos para una determinada región, temperatura o tipo de laboratorio", sostiene Liu.

Predecir la nucleación del hielo a partir de la forma en la que interactúan los electrones es mucho más preciso, pero también es muy costoso a nivel computacional. Requiere que los investigadores modelen al menos entre 4.000 y 100.000 moléculas de agua. Incluso en los superordenadores, tal simulación podría tardar años en llevarse a cabo. Y eso solo podría modelar las interacciones durante 100 picosegundos, o 10^-10 segundos, pero no es suficiente para observar el proceso de la nucleación del hielo.

Sin embargo, utilizando el aprendizaje profundo, los investigadores pudieron realizar los cálculos en solo 10 días. La duración también fue 1.000 veces más larga, todavía una fracción de segundo, pero suficiente para ver la nucleación.

Está claro que los modelos más precisos de la nucleación del hielo por sí solos no harán que el pronóstico sea perfecto, admite Liu, ya que es solo un componente pequeño, aunque crítico, del modelado de las condiciones climáticas. 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.

Aun 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 predicen si es probable que llueva o nieve y cuánto. También podría ayudar a la predicción del tiempo al mejorar la capacidad de modelar las nubes, que afectan la temperatura del planeta de maneras muy complejas.

Piaggi señala que la futura investigación podría modelar la nucleación del hielo cuando hay sustancias como el humo en el aire, de tal modo que podría mejorar aún más la precisión de los modelos. Gracias a las técnicas de aprendizaje profundo, ya es posible usar las interacciones de electrones para modelar algunos sistemas más grandes durante períodos de tiempo más prolongados.

"Esto ha abierto básicamente un nuevo campo", afirma Piaggi. "Ya está teniendo y tendrá un papel aún mayor en las simulaciones en química y en nuestras simulaciones de materiales", concluye.