Probing forced responses and causality in data-driven climate emulators: conceptual limitations and the role of reduced-order models

Este artículo sostiene que los emuladores climáticos basados en datos a menudo no logran capturar las respuestas forzadas causales debido a representaciones y parametrizaciones de grano grueso inadecuadas, abogando en su lugar por modelos estocásticos de orden reducido diseñados a medida y guiados por la teoría de respuesta lineal para resolver mejor la dinámica multiescala y permitir estudios causales.

Lo esencial

Imagina el clima de la Tierra como una orquesta gigante y caótica. Tiene miles de instrumentos tocando a la vez, desde el estruendo profundo y lento de las corrientes oceánicas hasta el chirrido rápido y agudo del clima diario. Durante décadas, los científicos han intentado construir un "gemelo digital" de esta orquesta utilizando inteligencia artificial (IA) para predecir cómo sonará en el futuro.

Este artículo, escrito por Fabrizio Falasca, plantea una pregunta crítica: ¿Solo porque una IA pueda imitar perfectamente el sonido actual de la orquesta, realmente entiende cómo cambiará la música si de repente cambiamos el tempo del director?

Aquí hay un desglose de los hallazgos del artículo utilizando analogías simples.

1. El Proble Todos: El "Mimo Perfecto" vs. El "Entendimiento Verdadero"

Los modelos climáticos de IA actuales son como loros increíblemente talentosos. Si les reproduces una grabación del clima, pueden repetir los sonidos (las estadísticas) casi perfectamente. Pueden decirte cuál es la temperatura promedio o cuánta lluvia suele caer.

Sin embargo, el artículo argumenta que estos "loros" a menudo fallan cuando les haces una pregunta de tipo "¿qué pasaría si?". Si le dices a la IA: "Qué pasa si el océano se calienta con un patrón específico", la IA podría adivinar la respuesta incorrecta. Imita el pasado, pero no entiende las causas. En términos científicos, captura "estadísticas estacionarias" (el estado promedio) pero falla en las "respuestas forzadas" (cómo reacciona el sistema al cambio).

2. La Prueba: El Instrumento de Tres Cuerdas

Para demostrar esto, los autores no comenzaron con la Tierra masiva y compleja. En su lugar, construyeron un "instrumento" diminuto y simplificado con solo tres cuerdas (variables) que imita la física del clima real.

• La Configuración: Dejaron que este instrumento tocara durante mucho tiempo para que la IA pudiera aprender su canción.
• La Prueba: Luego le dieron al instrumento un pequeño "toque" (una perturbación) y le preguntaron a la IA cómo cambiaría el sonido.

Los Resultados:

• El Modelo Lineal (La IA Básica): Este modelo era como un metrónomo básico. Podía predecir bien el ritmo promedio, pero si dabas un toque al instrumento, no podía predecir cómo cambiaría la intensidad (varianza). Era demasiado rígido.
• El Modelo Neuronal (La IA Inteligente): Este modelo era mucho mejor. Podía predecir tanto el ritmo como los cambios en la intensidad. Aprendió las "regces" del instrumento lo suficientemente bien como para manejar el toque.

El Detalle: Este éxito solo ocurrió porque la IA tenía acceso a las tres cuerdas. Vio el instrumento completo.

3. El Problema del Mundo Real: El Músico "Ciego"

En el mundo real, somos como músicos ciegos. No podemos ver todo el sistema climático. Solo vemos algunas "cuerdas" (como la temperatura superficial) mientras que el resto de la orquesta (corrientes oceánicas profundas, pequeños remolinos atmosféricos) está oculta para nosotros.

El artículo muestra que cuando la IA solo ve una cuerda:

• Todavía puede aprender a imitar el sonido de esa cuerda.
• Pero, a menudo falla al predecir cómo reaccionará esa cuerda ante un toque.

¿Por qué? Porque las cuerdas ocultas están empujando y tirando de la que podemos ver. Si la IA no sabe que esas cuerdas ocultas existen, intenta explicar el movimiento usando solo la cuerda visible, lo que conduce a predicciones erróneas sobre la causa y el efecto.

Para solucionar esto, los autores sugieren dos cosas:

1. Elegir la cuerda adecuada: Debes elegir la cuerda "lenta" (la que más importa) en lugar de una rápida y ruidosa.
2. Añadir "Ruido Fantasma": Dado que la IA no puede ver las cuerdas ocultas, necesita que se le diga que "fuerzas invisibles" están empujando el sistema. Los autores descubrieron que añadir un tipo específico de "ruido" (aleatoriedad que cambia según el estado actual) ayudó a la IA a entender mucho mejor las fuerzas ocultas.

4. La Aplicación en el Mundo Real: El "Efecto de Patrón"

Los autores tomaron estas lecciones y las aplicaron a un misterio climático real llamado el "Efecto de Patrón".

• El Misterio: El equilibrio energético de la Tierra no depende solo de cuánto se calienta el océano, sino de dónde se calienta. Calentar el Pacífico Oriental podría hacer que la Tierra se caliente más, mientras que calentar el Pacífico Occidental podría enfriarla.
• El Experimento: Construyeron un modelo de IA especializado y simplificado que solo observaba los "patrones principales" de la temperatura del océano y la energía que sale de la Tierra (flujo radiativo).
• El Éxito: Al enfocarse en el panorama general (coarse-graining/granulometría) y añadir el "ruido fantasma" adecuado, su IA recreó con éxito la compleja física. Pudo predecir cómo cambiaría el equilibrio energético de la Tierra si el océano se calentara en patrones específicos. Incluso produjo un mapa que mostraba exactamente dónde el calentamiento causa el aumento de calor y dónde causa el enfriamiento, coincidiendo con lo que dicen los modelos físicos complejos.

5. La Gran Conclusión

El artículo concluye que no debemos construir una IA de "propósito general" que intente aprender todo sobre el clima a la vez. Ese enfoque es como intentar aprender una sinfonía escuchando cada uno de los instrumentos simultáneamente sin una partitura del director: es demasiado caótico.

En su lugar, debemos construir modelos simplificados especializados (Modelos de Orden Reducido) que:

1. Se enfoquen en la pregunta específica que queremos responder.
2. Utilicen la "granulometría" (coarse-graining) para ignorar los detalles diminutos y rápidos y centrarse en los patrones grandes y lentos.
3. Utilicen elementos "estocásticos" (aleatorios) para dar cuenta de las partes invisibles del sistema que no podemos ver.

Al hacer esto, y al probar estos modelos no solo por qué tan bien imitan el pasado, sino por qué tan bien predicen el futuro cuando son "tocados", podemos construir herramientas climáticas que realmente entiendan la causa y el efecto.

Resumen técnico

Resumen Técnico: Sondeo de Respuestas Forzadas y Causalidad en Emuladores Climáticos Basados en Datos

Declaración del Problema
Un desafío central en la ciencia climática y las matemáticas aplicadas es el desarrollo de modelos basados en datos para sistemas multiescala que capturen no solo estadísticas estacionarias, sino también respuestas precisas a perturbaciones externas. Si bien los recientes emuladores climáticos neuronales pretenden resolver la complejidad total de los sistemas atmósfera-océano, a menudo tienen dificultades para reproducir las respuestas forzadas, lo que limita su utilidad para estudios causales como los experimentos de la función de Green. Una alta destreza en la reproducción de estadísticas estacionarias no garantiza respuestas precisas en experimentos de perturbación, lo que conduce a fallos en la generalización hacia escenarios de cambio climático fuera de la distribución (out-of-distribution) y en la captura de relaciones causales correctas entre variables. Este artículo investiga las limitaciones conceptuales del modelado puramente basado en datos, particularmente cuando se trata de observaciones parciales de sistemas de alta dimensión, y explora el papel de los modelos de orden reducido (ROM) y la parametrización estocástica para superar estos obstáculos.

Metodología
El estudio procede en dos partes distintas: un análisis teórico utilizando un sistema dinámico simplificado y una aplicación en el mundo real utilizando un modelo climático acoplado.

1. Marco Teórico (Modelo de Tríada):

   • Los autores utilizan un "modelo de tríada" estocástico simplificado (Majda et al.) que imita las no linealidades cuadráticas lineales y de conservación de energía de los flujos geofísicos, presentando una clara separación entre escalas de tiempo lentas y rápidas.
   • Escenarios: Se prueban dos escenarios de modelado: (i) ecuaciones desconocidas con un vector de estado totalmente observado, y (ii) ecuaciones desconocidas con un vector de estado parcialmente observado (un escalar único).
   • Modelos: Los autores entrenan emuladores estocásticos neuronales (usando Perceptrones Multicapa para la deriva no lineal) y los comparan con modelos inversos lineales (LIMs). Prueban tanto formulaciones de ruido aditivo como multiplicativo (dependiente del estado).
   • Métrica de Evaluación: En lugar de depender únicamente de las estadísticas estacionarias (PDFs, autocorrelaciones), los modelos se evalúan mediante la Teoría de Respuesta Lineal. Específicamente, se evalúa la capacidad de reproducir el operador de respuesta al impulso. Esto implica medir la respuesta de la media y la varianza del conjunto a pequeñas perturbaciones de impulso y a forzamientos específicos dependientes del tiempo.

2. Aplicación en el Mundo Real (Efecto de Patrón):

   • Los autores desarrollan un modelo neuronal estocástico de orden reducido para investigar el "efecto de patrón": el vínculo causal entre los patrones de calentamiento de la Temperatura de la Superficie del Mar (SST) y los flujos radiativos en la parte superior de la atmósfera (TOA).
   • Datos y Coarse-Graining (Granularidad Gruesa): Utilizando 600 años de datos de una ejecución de control preindustrial del modelo climático acoplado GFDL-CM4, los autores definen un vector de estado de granularidad gruesa. Esto implica:
     • Promedio mensual y eliminación del ciclo estacional.
     • Filtrado de paso alto para eliminar oscilaciones multidecadales.
     • Proyección del campo de SST tropical sobre las primeras 20 Funciones Ortogonales Empíricas (EOFs).
     • Inclusión del flujo radiativo neto global de la TOA como una variable escalar.
   • Formulación del Modelo: El emulador sigue una estructura de ecuación de Langevin: $dx = (Lx + n(x))dt + \Sigma(x)dW$, donde la deriva es aprendida mediante una red neuronal y la covarianza del ruido $\Sigma(x)$ se modela como un ruido multiplicativo (dependiente del estado), también aprendido mediante una red neuronal.
   • Validación: El modelo se prueba en su capacidad para reconstruir los flujos de la TOA a partir de trayectorias forzadas de SST (experimentos 1pctCO2 y 4xCO2) y para realizar experimentos similares a la función de Green aplicando perturbaciones de impulso a los modos de la SST para inferir mapas de sensibilidad causal.

Contribuciones Clave y Resultados

• Limitaciones de la Observación Completa: En el caso idealizado donde se observa el vector de estado completo, un emulador estocástico neuronal puede reproducir con éxito tanto las estadísticas estacionarias como el operador de respuesta al impulso (incluyendo las respuestas de la varianza). Sin embargo, los modelos lineales fallan por completo en capturar las respuestas de la varianza.
• El Papel Crítico de la Observación Parcial: Cuando solo se observa un subconjunto de variables (el escenario realista), el éxito del emulador depende críticamente de dos factores:
  1. Elección de Variables: Identificar las "variables lentas adecuadas" es una tarea no trivial y no única. Modelar directamente los modos rápidos conduce al fracaso.
  2. Parametrización Estocástica: El efecto acumulativo de las variables rápidas no observadas debe parametrizarse. El estudio demuestra que el ruido multiplicativo es esencial para capturar la distribución estacionaria correcta y, crucialmente, la respuesta de la varianza a las perturbaciones. Los modelos de ruido aditivo fallan en reproducir respuestas de varianza significativas.
• Coarse-Graining y Markovianización: El artículo destaca que, en ausencia de una clara separación de escalas, es necesario un proceso de granularidad gruesa apropiado (por ejemplo, el promedio temporal) para suprimir los efectos de memoria y convertir el sistema de orden reducido en efectivamente Markoviano.
• Éxito en el Mundo Real: El emulador neuronal de orden reducido reproduce con éxito las estadísticas estacionarias del modo dominante de la SST (ENSO) y el flujo radiativo global de la TOA. Reconstruye con precisión los cambios en el flujo de la TOA en escenarios forzados (1pctCO2 y 4xCO2).
• Inferencia Causal: Al aplicar perturbaciones de impulso, el modelo infiere un mapa de sensibilidad que muestra un dipolo en el Pacífico tropical (sensibilidad negativa en el oeste, positiva en el este), consistente con mecanismos físicos establecidos (retroalimentaciones de las nubes). Esto confirma que el emulador captura mecanismos causales físicamente consistentes.
• Limitaciones Identificadas: El modelo no captura completamente el decaimiento de las autocorrelaciones (lo que indica un comportamiento no Markoviano residual) y la respuesta de la varianza es sensible al entrenamiento del término de ruido multiplicativo, requiriendo más datos de los disponibles actualmente para una alta precisión.

Significancia y Reivindicaciones
El artículo argumenta que el campo de la emulación neuronal debe ir más allá de los emuladores de propósito general que intentan resolver todas las escalas. En su lugar, aboga por modelos de orden reducido y específicos para la tarea que aprovechen el conocimiento físico previo para guiar la selección de variables y la granularidad gruesa.

• La Teoría de Respuesta como Marco: Los autores proponen la Teoría de Respuesta Lineal y el operador de respuesta al impulso como un marco riguroso para evaluar modelos basados en datos. Este enfoque va más allá de las métricas estacionarias (como $R^2$) para sondear mecanismos causales y la respuesta del sistema a intervenciones externas.
• La Estocasticidad es Esencial: Para sistemas multiescala con grados de libertad no observados, los modelos deterministas son insuficientes. La inclusión de ruido dependiente del estado (multiplicativo) no es simplemente una adición ad-hoc, sino una necesidad teóricamente justificada para capturar la distribución de probabilidad correcta y sus respuestas a las perturbaciones.
• Comprensión Causal: El estudio demuestra que los emuladores neuronales de orden reducido, cuidadosamente construidos, pueden realizar miles de experimentos de perturbación (estudios de la función de Green) que son computacionalmente prohibitivos para los modelos climáticos completos, contribuyendo así a la inferencia causal y al análisis de atribución en la ciencia climática.

El artículo concluye que, si bien el modelado basado en datos enfrenta restricciones fundamentales en entornos de observación parcial, la combinación de estrategias establecidas de modelado de orden reducido con arquitecturas neuronales flexibles y la teoría de respuesta ofrece un camino principista para comprender y predecir la dinámica climática.