HEIDELBERG, Alemania.– Los glaciares, con sus idas y vueltas, sus ampliaciones y recortes, han formateado la vida de la Tierra desde su mismo comienzo. Y, por supuesto, son más que muy importantes por su contenido de agua dulce (almacenan alrededor del 70% del total existente) tanto como por su incidencia en el nivel del mar. Hoy, en la era del deshielo, el conocimiento acerca de esos campos blancos incluye predicciones tristes y pérdidas. Pero todavía hay algunos huecos en el saber para que llene la ciencia.
A eso se dedica Facundo Sapienza, un argentino de 29 años que trabaja en la Universidad de Berkeley, California, donde busca mejorar sistemas de inteligencia artificial para predecir qué sucederá con el agua congelada del planeta. Formado en física y matemática en la UBA y luego volcado a una de las ramas de la inteligencia artificial, como es el denominado machine learning, Sapienza participó en el sur de Alemania del Heidelberg Laureate Forum, con las principales figuras del campo de la matemática y la computación.
La intención del argentino es generar un mecanismo que tome datos de los sistemas satelitales y de otras formas de medición para hacer estimaciones más precisas de qué puede suceder con esos hielos. “Los glaciares son un objeto de estudio interesante, pero es trágico porque cualquier predicción sobre lo que les va a suceder no será muy buena. Pero son hermosos y saber cómo funcionan es genial”, le dijo a LA NACION.
–¿Qué falta conocer de los glaciares que con esta herramienta tecnología se podría saber?
–Trabajo en modelado de glaciares y otros sistemas de la tierra. Tenemos cierto entendimiento de la geofísica de un glaciar, cuáles son las ecuaciones que gobiernan el flujo del glaciar. Pero al mismo tiempo hay dinámicas que no conocemos, por ejemplo cómo responderán al cambio climático, o a cierta temperatura del aire o del hielo. Otra gran incógnita es qué pasa en lo que se llama la cama, el contacto entre la roca y el hielo, cómo el glaciar desliza más o menos, según temporada, según agua y lubricación. En los últimos años se obtuvieron más datos globales, tomados de satélites, que permiten un mapeo global de los glaciares del mundo. Es un problema del que sabemos un poco, pero falta la imagen completa del mecanismo. Con datos y modelos nuevos de IA y machine learning se facilita el proceso de estas observaciones y teorías para ver cómo hacer para que se igualen.
–¿La idea es mejorar los modelos para tener buenas predicciones?
–Hay partes que se ajustan con las predicciones y otras no. Por eso es preciso que sean más flexibles. Cada glaciar es particular y en ocasiones se hace modelados individuales, pero mi trabajo es global. Con datos de 3000 glaciares con características distintas se puede entender, por ejemplo, si están distinta altura, cómo reaccionan ante el clima, si la roca sobre la que se apoya es distinta. Ese es el tipo de preguntas que trato de resolver. Esa variabilidad entre glaciares con modelos dinámicos.
–¿Qué hace un sistema de machine learning que un humano no puede hacer?
–En principio, el paradigma es parecido. Queremos encontrar parámetros de que lo que observás sea bueno. Optimizar el mecanismo para que las observaciones se ajusten a la predicción. Con ese entrenamiento se espera que la predicción se encuentre en las observaciones. Que esto sea explicativo e interpretable desde la física, tratar de ver el mecanismo físico que controla esto.
–¿Cuántos glaciares hay y qué puede pasar con ellos en las próximas décadas?
–Unos 220.000, alrededor de ese número; por supuesto, con distintos tamaños y ubicaciones. Son bastantes datos para agregar en el sistema de análisis. Los trabajos que se han hecho son con escenarios a 2100 por lo general. Y muestran que incluso con reducción en las emisiones de gases de efecto invernadero, cosa que no está sucediendo, en los Alpes por ejemplo se perdería más del 70% del hielo. Eso va a pasar. Se podrían regenerar, pero llevan un tiempo porque son sistemas difíciles de modelar y no se recuperan después de un verano fuerte, cuesta que se adapten. Así que eso se va a ver.
–¿Se trata de sistemas caóticos (más difíciles de predecir)?
–Es un sistema que no es caótico, pero igual es difícil la predicción porque es sensible y si cambia por decir algo un poco la propiedad del hielo fluye más rápido o más lento. De hecho, desde la física lo describimos como fluido, pero es un fluido lento a diferencia del mar o de la atmósfera. Si lo grabás ves que se desliza como un fluido en cámara lenta. El hielo fluye de manera no lineal. Si algo afecta al clima y a la temperatura el glaciar responde de cierta manera.
–¿Cómo termina un matemático estudiando glaciares?
–En la Argentina estudié física y matemática, pero siempre el corazón estuvo con naturales y el modelado matemático. Así que apliqué al doctorado, había hecho estadística quería ver cómo aplicarla a las ciencias naturales. Y mi director me sugirió el tema de glaciares así que conecté con glaciólogos y arrancamos el trabajo. Es un objeto de estudio interesante, pero es trágico porque cualquier predicción que hagas no será muy buena. Pero son hermosos y saber cómo funcionan es genial. Y las herramientas de estos sistemas complejos se facilitan con la tecnología y la ciencia de datos. No es simplemente resolver el problema matemático sino también el software, por eso se interesa también en la computación científica para que estas herramientas funcionen correctamente.
–Más allá de las abstracciones y algoritmos, ¿vas a glaciares?
–Sí, organizamos desde hace un par de años un taller de machine learning en glaciares en una base al lado de un glaciar en Noruega. Hay mucho interés en la comunidad para aplicar nuestras herramientas. Así que fui y caminé los glaciares, pero como matemático no propiamente un glaciólogo [ríe]. Pero está buena esa interacción con glaciólogos que trabajan in situ. Está muy bueno combinar los distintos campos. Después de un par de año convergés a un punto en común y hablás el mismo vocabulario con gente con otra formación, esa la esencia de la interdisciplina, hay aprendizajes mutuos.
This content was originally published here.
Español de México