¿Cómo se prepara una ciudad para una tormenta que todavía no ocurrió y que quizá nunca tuvo un equivalente en los registros históricos? Esa es la pregunta detrás de un nuevo método desarrollado por ingenieros del MIT, que diseñaron un algoritmo capaz de generar escenarios plausibles de eventos extremos sin necesidad de entrenarse con ejemplos previos de desastres comparables.
La idea puede sonar contraintuitiva. Muchos modelos de riesgo funcionan mirando el pasado: toman tormentas, olas de calor, lluvias o incendios ya observados y, a partir de ahí, estiman qué tan probable es que vuelva a ocurrir algo parecido. El problema es que los eventos más destructivos son raros por definición. A veces ni siquiera existen en la base de datos disponible. Eso deja a planificadores, aseguradoras y autoridades con una dificultad central: tienen que prepararse para situaciones que todavía no conocen.
El nuevo enfoque intenta llenar justamente ese vacío. En lugar de buscar copias de un desastre anterior, el algoritmo aprende la estructura estadística de un conjunto de datos cotidianos, como mapas y registros diarios del clima de una región. Con esa información descarta combinaciones implausibles y produce miles de versiones posibles de un evento extremo poco frecuente, por ejemplo una tormenta de las que podrían aparecer una vez cada cien años. Luego estima cómo podrían verse esos episodios en tamaño, intensidad, duración y área afectada.
Para mostrar que la idea funciona, el equipo la probó con 25 años de mapas horarios de precipitaciones en Estados Unidos continental. A partir de ese archivo construyó mapas diarios y estadísticas sobre la frecuencia con que la lluvia alcanzó ciertos máximos. Después entrenó el sistema con mapas de baja y alta resolución tomados solo de los primeros seis meses del registro, una etapa que contenía pocos o ningún caso realmente extremo. Aún así, el método logró generar patrones espaciales plausibles para lluvias más intensas que las presentes en los datos de entrenamiento.
Eso abre una posibilidad muy concreta: en vez de preguntar solo qué pasó antes, una autoridad podría preguntar qué aspecto tendría una tormenta excepcional en una ciudad determinada y recibir una familia de escenarios compatibles con la información disponible. Según los investigadores, esa clase de simulaciones puede ayudar a evaluar muros costeros, redes eléctricas, drenajes urbanos o recursos para combatir incendios forestales.
El aporte más interesante no es solo técnico, sino práctico. A medida que los sistemas climáticos y sociales se vuelven más vulnerables a interrupciones encadenadas, un episodio extremo puede repercutir rápidamente en energía, transporte, alimentos o seguros. Tener una manera de asignar probabilidades y formas posibles a eventos inéditos puede mejorar la preparación antes de que llegue el daño real.
Eso no significa que el algoritmo vea el futuro. Sus resultados dependen de la calidad de los datos de entrada y de los supuestos estadísticos con los que aprende qué escenarios son razonables y cuáles no. Además, una simulación plausible no equivale a una predicción puntual de fecha y lugar. Lo que ofrece es otra herramienta para pensar el riesgo cuando la historia observada ya no alcanza. En un contexto de fenómenos cada vez más severos, esa diferencia puede ser valiosa.
MIT News | Massachusetts Institute of Technology · Imagen acompañante del artículo fuente; atribución preservada · Fuente de imagen
Chang, K., & Sapsis, T. P. (2026). Extreme Event Aware (η-) Learning. Nature Communications. https://doi.org/10.1038/s41467-026-76811-x
Relacionadas por categoría
Ver masUn método adaptativo mejora la detección de texto generado por IA en pruebas controladas
Un preprint probó un detector que se ajusta a textos recientes sin etiquetas y rindió mejor ante cambios de estilo y tácticas para eludirlo.
Una IA intenta simular arena, agua y proteínas con un mismo modelo
Un preprint presenta WorldParticle, un modelo que representa distintos materiales como partículas para predecir su movimiento. Sus pruebas son prometedoras, pero no reemplazan todavía a los simuladores especializados.
Un sistema convierte artículos científicos en asistentes reutilizables
Un método empaqueta texto, código, datos y flujos de trabajo de algunos estudios para que una IA pueda ejecutar análisis y responder consultas en lenguaje natural.
Más de la misma fuente
Ver masUn material seco podría extender el uso de ecografías portátiles sin gel
Una interfaz elástica y seca transmitió ultrasonido durante días en pruebas de laboratorio y siguió el flujo sanguíneo durante un paseo en bicicleta.
Los centros de datos pueden desplazar la contaminación del aire a otras regiones
Un modelo sobre Estados Unidos estima que la electricidad adicional de los centros de datos puede elevar la contaminación del aire lejos de sus instalaciones.
Un método adaptativo mejora la detección de texto generado por IA en pruebas controladas
Un preprint probó un detector que se ajusta a textos recientes sin etiquetas y rindió mejor ante cambios de estilo y tácticas para eludirlo.
Más del mismo autor
Ver masEl clima puede cambiar el mapa de plagas en bosques de Norteamérica
Un estudio proyecta que, si las emisiones siguen altas, más del 80% de los bosques analizados en Norteamérica podría enfrentar mayor presión de plagas y enfermedades hacia mediados de siglo.
Las suricatas pueden volver solas a su grupo tras ser desplazadas
Un experimento de campo halló que 18 de 20 suricatas desplazadas a 1,5 kilómetros regresaron de forma dirigida, sin seguir a otros miembros de su grupo.
Un material seco podría extender el uso de ecografías portátiles sin gel
Una interfaz elástica y seca transmitió ultrasonido durante días en pruebas de laboratorio y siguió el flujo sanguíneo durante un paseo en bicicleta.