El Laboratorio Nacional Lawrence Livermore (LLNL), de Estados Unidos, ha hecho en un fin de semana lo que antes costaba tres meses. Se trata de un conjunto de simulaciones atmosféricas, según la nota que publicó el 4 de noviembre. Lo consiguió con sus nuevos emuladores de IA, una familia de herramientas en la que la nota cita a STRATA como ejemplo.
Un emulador es una red neuronal entrenada para imitar a un modelo físico sin resolver sus ecuaciones. El laboratorio californiano quiere usarlos para predecir el tiempo con meses e incluso años de antelación.
Miles de millones de bloques
Los modelos tradicionales trocean el planeta. Dividida en bloques de un kilómetro, desde el subsuelo hasta lo alto de la atmósfera, la Tierra daría miles de millones de piezas. Cada una tendría que pasar por una serie de ecuaciones físicas complejas, explica LLNL.
Proyectar una década hacia el futuro exige meses en los mejores superordenadores del mundo, añade el laboratorio. Aun así, la simulación deja fuera parte de la física. Ese es el terreno de máquinas como Aurora, en Argonne, o el MareNostrum 5, en Barcelona.
Peter Caldwell, científico de LLNL, dirige el modelo E3SM del Departamento de Energía. Según explica, el aire tarda alrededor de una semana en dar la vuelta al planeta, y por eso una previsión necesita el globo entero. E3SM puede simular la atmósfera con una resolución de 3 kilómetros, calculando qué hará después cada porción de aire.
STRATA aprende de E3SM
Caldwell y su colega Yunyan Zhang quieren ahorrarse esos cálculos. «Para un emulador usamos aprendizaje automático, como una red neuronal profunda, para imitar lo que habría hecho la física real», resume Zhang.
Investigadores de LLNL, del Departamento de Energía y de NVIDIA entrenan STRATA con las salidas de modelos como E3SM. Después le dan unas condiciones de partida. El emulador calcula entonces cómo estará la atmósfera días, meses o años más tarde, sin resolver ninguna ecuación física.
«Si haces un buen trabajo, no puedes notar la diferencia entre los dos», afirma Caldwell. También le atribuye una velocidad superior en varios órdenes de magnitud. LLNL ha publicado una figura que compara la previsión a 12 horas de STRATA con la del modelo SCREAM en seis lugares.

El pie de ese gráfico habla de buena concordancia general. También admite diferencias que el equipo sigue intentando eliminar. Google trabaja en una línea parecida con WeatherNext 3, su IA del tiempo, aunque orientada al público general.
Como el tiempo es caótico, hasta los buenos modelos fallan de vez en cuando. «La única forma de generar confianza en tu sistema de predicción es hacer muchas simulaciones», sostiene Caldwell. Habla de cientos de ejecuciones, de uno o de diez años cada una.
El Niño cambia el resultado
Toda simulación arranca de un estado inicial del sistema terrestre. En las previsiones cortas, ese punto de partida pesa mucho. Caldwell lo ilustra con dos simulaciones de un par de meses: la que sale de El Niño predice algo muy distinto que la que sale de La Niña.
Faltan, además, observaciones del océano profundo y de zonas de difícil acceso. Para cubrir ese hueco, Los Álamos dirige MAGGIE, un proyecto basado en modelos generativos. Forma parte de la Misión Génesis, el programa federal que quiere acelerar la ciencia con IA.
Al equipo de Caldwell le toca comprobar la calidad de esos estados iniciales. Con simulaciones convencionales, el trabajo resultaría prohibitivo: habría costado tres meses con un modelo físico. «Con nuestros nuevos emuladores, lo hicimos en un fin de semana», asegura.
Nubes a escala de metros
Un emulador, como mucho, iguala la destreza de la simulación que imita. Por eso LLNL dirige también STITCH, otro proyecto de la Misión Génesis. Su emulador se entrena con simulaciones locales de nubes y turbulencia, donde miles de gotas chocan, se fusionan y cambian de fase.
Tanto las mediciones como los modelos físicos tropiezan con esos fenómenos. «Cuando estos procesos de nubes y turbulencia se acoplan, generan mucha incertidumbre», señala Zhang, responsable de STITCH. Su equipo prepara ya emuladores de lluvia cálida y de turbulencia.
Los resultados se contrastarán con datos de las instalaciones ARM del Departamento de Energía. Luego se incorporarán a E3SM, y ese modelo mejorado generará nuevos datos de entrenamiento para STRATA.
Sequías, suministros y maniobras militares
LLNL presenta estos emuladores como una ventaja para la seguridad nacional de Estados Unidos. Predecir el tiempo con mucha antelación ayudaría a proteger infraestructuras y cadenas de suministro durante desastres naturales.
También permitiría anticipar tensiones sobre alimentos, agua y energía por sequías o lluvias extremas. El laboratorio añade la planificación de operaciones militares, navales y aéreas. Todo ello figura en la nota como objetivo a largo plazo.
Entrenarlos sigue saliendo caro
Los emuladores necesitan datos de entrenamiento, y esos datos salen de simulaciones costosas. Tampoco está resuelto el salto entre escalas, desde las gotas de una nube hasta la atmósfera global.
La nota de LLNL no enlaza ningún estudio revisado ni da porcentajes de error. Tampoco precisa qué máquina ni cuántas simulaciones intervinieron en ese fin de semana. De momento, el dato de los tres meses procede solo de la declaración de Caldwell.
La nota se ha publicado en la web del Laboratorio Nacional Lawrence Livermore el 4 de noviembre de 2026.
Crédito de la imagen: Peter Caldwell / Lawrence Livermore National Laboratory.
Powered by WPeMatico