Volver al blog
15 de nov. • 4 min de lectura

MIT testa cenários sintéticos para melhorar o treinamento de IA climática

Método do MIT melhora o treinamento de emuladores climáticos com cenários sintéticos; aplicação em modelos completos ainda será testada.

MIT testa cenários sintéticos para melhorar o treinamento de IA climática

Editorial Fisacorp

Prever como o clima vai reagir a diferentes caminhos de emissões é uma tarefa cara. Os grandes modelos do sistema terrestre, usados por centros de pesquisa no mundo todo, podem levar meses em um supercomputador para simular um único cenário. Pesquisadores do MIT apresentaram em 12 de novembro um método que busca reduzir esse custo e melhorar a capacidade dos emuladores de representar cenários novos: treinar modelos de IA com cenários sintéticos, desenhados sob medida para ensinar mais com menos dados.

A inovação

O trabalho trata dos chamados emuladores climáticos, modelos de inteligência artificial que imitam o comportamento dos grandes modelos do sistema terrestre. Segundo o MIT News, um emulador pode rodar em poucos segundos, o que permite testar milhares de cenários. O problema está no treinamento: normalmente ele exige de seis a oito cenários de emissões realistas, e cada um precisa passar antes pelo modelo completo, consumindo meses de supercomputação.

A equipe, liderada por Christopher Womack e com orientação de Noelle Selin, criou um algoritmo que gera um pequeno conjunto de cenários sintéticos otimizados. Esses cenários são ajustados repetidamente até que o erro do emulador fique abaixo de um limite definido. No modelo climático simples usado no estudo, um cenário otimizado produziu um emulador com desempenho superior ao treinado com seis cenários convencionais. Também houve resultados positivos em um modelo de complexidade intermediária. Segundo o MIT, a abordagem permitiria reduzir para uma as rodadas de um modelo completo, aplicação que ainda será testada. O estudo, "Optimal scenario design for climate emulation", foi publicado na revista PNAS.

Por que funciona

Cenários realistas costumam ter trajetórias suaves de emissões. Os cenários criados pela equipe fazem o oposto: incluem variações rápidas, "oscilações de alta frequência", nas palavras de Womack. Essas mudanças bruscas expõem o emulador a mais situações e o ajudam a aprender como o sistema responde.

O ganho apareceu em um teste exigente. O MIT relata que emuladores tradicionais avaliados pelos pesquisadores falharam ao representar políticas locais de controle de um poluente, em que uma emissão cai enquanto outras continuam subindo. O emulador treinado com o novo método conseguiu capturar esse efeito.

O impacto positivo

Projeções climáticas mais rápidas e confiáveis apoiam decisões de planejamento em redes de energia, saúde pública e agricultura, como destaca o texto do MIT. Para Selin, a proposta permite "fornecer informações mais confiáveis às partes interessadas que precisam delas" (tradução livre). Se a redução de rodadas se confirmar em modelos completos, poderá diminuir a espera e a demanda computacional para produzir esses emuladores.

Os limites

A pesquisa ainda tem etapas pela frente. Os cenários sintéticos são propositalmente pouco realistas, o que pode dificultar a explicação dos resultados a quem não é especialista. O método foi ajustado para um emulador específico e ainda não foi testado com um cenário de emissões gerado por um modelo completo. A aplicação a outros tipos de modelo, e a tarefas de aprendizado de máquina fora do clima, é apresentada como trabalho futuro.

Que tendência isso sinaliza

O estudo reforça um movimento que vai além da ciência do clima: em vez de acumular mais dados, escolher melhor os dados usados para treinar a IA. Dados sintéticos bem desenhados podem reduzir custos e encurtar o caminho entre um modelo pesado e uma ferramenta ágil de apoio à decisão, desde que sua validade seja medida com rigor, como fizeram os pesquisadores ao fixar um limite de erro.

Uma ideia para o gestor

Vale olhar para os próprios processos com a mesma lógica. Onde a empresa depende de análises lentas ou caras para decidir? Que situações raras, mas críticas, ficam de fora dos dados históricos? Um exemplo hipotético: uma área de operações que simula apenas o "dia normal" pode descobrir mais testando, de propósito, picos e quedas bruscas de demanda. Às vezes, o ganho não está em ter mais dados, e sim em fazer perguntas mais difíceis aos dados que já existem.

A Fisacorp desenvolve soluções de tecnologia para gestão de frotas, gestão de pessoas, atendimento digital, condomínios e sustentabilidade. Por isso, acompanha com atenção avanços como este, que mostram a IA ficando mais eficiente, para trazer aos clientes o que há de melhor em inovação.

Referências

Fontes consultadas em 15/11/2026.

¿Dudas? Contáctanos