Tecnologia Científica

Uma nova pesquisa poderá levar a modelos de IA mais rápidos e confiáveis para a previsão do clima
Cientistas do MIT desenvolveram um método de treinamento para gerar modelos que simulam os efeitos das atividades humanas no clima muito mais rapidamente do que outras abordagens.
Por Adam Zewe - 19/11/2026


Pesquisadores do MIT desenvolveram uma nova técnica para agilizar a criação de modelos de IA rápidos, confiáveis e adaptáveis para previsão climática. Crédito: UCAR; MIT News


Projeções climáticas precisas e atualizadas são essenciais para o planejamento de decisões que aprimorem a resiliência das redes elétricas, protejam a saúde pública, maximizem a produção agrícola e muito mais.

Agora, pesquisadores do MIT desenvolveram uma técnica que agiliza a produção de modelos de inteligência artificial rápidos, confiáveis e adaptáveis para previsão climática.

Esses modelos especializados de IA, conhecidos como emuladores climáticos, podem simular rapidamente os efeitos das atividades humanas sobre o clima futuro, prevendo impactos nas temperaturas ou no nível do mar, por exemplo. 

Como os emuladores são executados em questão de segundos, os cientistas os utilizam para testar com eficiência milhares de cenários climáticos variados. Isso proporciona estimativas mais confiáveis e pode identificar resultados inesperados de intervenções regionais.

Os pesquisadores do MIT desenvolveram uma técnica de treinamento que aumenta o desempenho e a adaptabilidade de um emulador climático, utilizando apenas uma fração dos dados normalmente necessários. Isso reduz significativamente o tempo de produção dessas ferramentas científicas práticas.

Eles mostram que um emulador treinado com uma quantidade muito menor de dados sintéticos cuidadosamente selecionados prevê com precisão os resultados de cenários que não viu durante o treinamento, enquanto os emuladores tradicionais não conseguiram se adaptar a novas situações.

“Os emuladores climáticos são especialmente adequados para modelar cenários relevantes para políticas públicas. Ao usar nosso método para gerar dados de treinamento otimizados para um emulador, podemos acelerar a produção de emuladores muito mais confiáveis, de modo que possamos confiar mais em seus resultados para a tomada de decisões políticas”, afirma Christopher Womack, PhD '26, que agora é pós-doutorando na ETH Zurich e autor principal de um artigo sobre essa técnica .

Ele é acompanhado no artigo por Shahine Bouabid, pós-doutoranda no Departamento de Ciências da Terra, Atmosféricas e Planetárias (EAPS) do MIT; Andrei Sokolov, pesquisador científico no Centro de Ciência e Estratégia para a Sustentabilidade (CS3) do MIT; Popat Salunke, pós-doutorando no CS3; Glenn Flierl, professor de oceanografia no EAPS; Sebastian D. Eastham, professor associado no Imperial College London; e a autora sênior Noelle E. Selin, professora no Instituto de Dados, Sistemas e Sociedade (IDSS) e no EAPS do MIT, e diretora do CS3. A pesquisa foi publicada esta semana nos Anais da Academia Nacional de Ciências (PNAS). 

Substitutos mais rápidos

Os cientistas climáticos normalmente usam modelos do sistema terrestre (ESMs, na sigla em inglês) para fazer projeções de longo prazo sobre como a temperatura global ou a precipitação podem mudar em resposta às variações nas emissões de gases de efeito estufa.

Esses enormes modelos baseados em princípios físicos capturam os principais componentes e interações do clima da Terra com extremo detalhe. Embora poderosos, os Modelos do Sistema Terrestre (ESMs) podem levar meses para serem executados em um cluster de supercomputadores — e isso apenas para projetar um possível cenário climático futuro. 

Selin e seus colaboradores desenvolvem emuladores climáticos, que são modelos substitutos de IA rápidos que imitam o comportamento de modelos climáticos em grande escala. Os emuladores ajudam os cientistas a testar diversos cenários, fazer previsões mais precisas e explorar poluentes específicos e seus efeitos regionais.

“Os emuladores climáticos podem ser executados em apenas alguns segundos, o que realmente expande o que podemos fazer em termos de exploração desses cenários climáticos futuros”, diz Womack.


Quando os cientistas projetam um emulador climático, geralmente treinam o modelo de IA usando um conjunto de seis a oito cenários futuros baseados em trajetórias realistas de emissões. Eles precisam executar cada cenário em um Modelo do Sistema Terrestre (ESM) em escala real, o que torna esses conjuntos de dados caros e demorados de gerar. 

Pesquisadores do MIT descobriram recentemente que usar cenários futuros realistas como dados de treinamento pode levar a emuladores com desempenho inferior, que não conseguem prever cenários desconhecidos ou inéditos. 

Neste trabalho, eles desenvolveram um algoritmo que gera um conjunto de dados sintéticos de cenários climáticos otimizados, adaptados para melhorar o desempenho preditivo de um emulador.

“Nosso algoritmo pode gerar alguns cenários estranhos que não se parecem em nada com um futuro realista, mas não nos importamos muito se os cenários de treinamento são realistas. Estamos apenas tentando criar o melhor conjunto de dados possível para treinar um emulador”, diz Womack.

É importante destacar que, em vez de precisar executar um ESM completo seis ou oito vezes para gerar dados de treinamento, o usuário precisaria executar esse modelo apenas uma vez.

Ajustando os dados de treinamento 

Os pesquisadores começam gerando um cenário climático arbitrário usando um modelo climático rápido e simples. Eles testam o quão bem seu emulador consegue reproduzir os resultados desse modelo climático, o que lhes fornece uma medida de erro.

Graças à técnica de programação utilizada para construir o pipeline de treinamento, eles podem atualizar iterativamente os dados de treinamento para aumentar a capacidade preditiva do emulador. Por exemplo, o algoritmo poderia aumentar drasticamente as emissões de CO2 no ano de 2050 ou diminuir rapidamente as emissões de metano em 2037.

Em seguida, a otimização atualiza os dados de treinamento até que o nível de erro do emulador atinja um determinado limite.

No final, em vez de se assemelharem a cenários realistas em que as emissões seguem trajetórias suaves, os dados sintéticos contêm variações rápidas.

“Ao introduzir essas oscilações e vibrações de alta frequência, nossos dados permitem que o emulador extraia muito mais informações sobre o sistema como um todo”, explica Womack.

O algoritmo de treinamento deles gera esses cenários de emissões, que podem ser usados para treinar um emulador mais preciso e adaptável.

“No futuro, certamente veremos climas e cenários nunca antes vistos. Se pudermos simular esses diferentes cenários de forma mais robusta, poderemos fornecer informações mais confiáveis às partes interessadas que precisam delas”, afirma Selin.

Por exemplo, um emulador treinado com a técnica deles consegue capturar os efeitos de políticas locais de controle de poluentes que reduzem um poluente enquanto outras emissões continuam aumentando. Os emuladores tradicionais que eles avaliaram falharam nesse teste.  

A longo prazo, Womack espera que este trabalho melhore a utilidade de emuladores climáticos rápidos e adaptáveis ??para a formulação de políticas. 

“Esta é uma peça fundamental no processo de criação de ferramentas úteis que atendam às necessidades das partes interessadas. Como o treinamento de um emulador pode levar meses ou até anos, os emuladores que temos geralmente estão desatualizados. Ao reduzir esse tempo de produção, acredito que essa técnica será revolucionária em termos de disponibilizar ferramentas atualizadas para pesquisadores e profissionais”, acrescenta Selin.

No futuro, os pesquisadores pretendem testar sua técnica usando um cenário de emissões gerado por um modelo climático global completo. Eles também querem aplicá-la a outros tipos de modelos climáticos e explorar sua eficácia em aplicações mais amplas de aprendizado de máquina e visão computacional.

Esta pesquisa fez parte do projeto Bringing Computation to the Climate Challenge (BC3) e foi apoiada pela Schmidt Sciences através do programa MIT Grand Challenges.

 

.
.

Leia mais a seguir