Imaginar el extremo invisible: la apuesta estadística del MIT y su precio matemático

Predecir fenómenos meteorológicos sin precedentes históricos es uno de los retos más difíciles para los modelos basados en datos, cuya incertidumbre tiende a dispararse justo donde faltan ejemplos previos. Para sortear ese límite, un estudio publicado el 20 de agosto de 2026 en Nature Communications, titulado “Extreme Event Aware (η-) Learning” (artículo s41467-026-76811-x), propone restringir el entrenamiento mediante la estadística de un observable que señala el grado de extremidad. Los autores, el doctorando Kai Chang y el profesor Themis Sapsis del MIT Center for Computational Science and Engineering, incorporaron esa restricción como término 1-Wasserstein en la función de pérdida. Como explicó Kai Chang a MIT News, el objetivo es “modelar eventos extremos y sin precedentes que nadie ha visto nunca, que no están en el conjunto de datos”.

El método se puso a prueba en una tarea de downscaling de la precipitación sobre el conjunto de datos ERA5-Land: precipitación total horaria en los Estados Unidos continentales entre 1999 y 2023, agregada en mapas diarios. La parte espacial del modelo se entrenó únicamente con los primeros seis meses del registro, un periodo que, según el MIT, no contenía prácticamente ningún ejemplo de lluvias extremas. La evaluación se realizó sobre 9.044 mapas emparejados de alta y baja resolución. El enfoque nace para ayudar a los planificadores a poner cifras a escenarios peores sin precedente histórico, como “el Katrina que ocurre cada cien años” que menciona Themis Sapsis. El comunicado del MIT plantea el problema con una pregunta: si la lluvia más extrema jamás registrada en Nueva York es de 200 milímetros, ¿qué tormenta produciría una de 300? Es la formulación de la pregunta, no un resultado del modelo.

Esa capacidad de ir más allá de los datos históricos tiene, sin embargo, un coste en fidelidad puntual. Según las cifras del preprint en arXiv (cuya comparación con la versión definitiva de Nature Communications no fue posible por el muro de pago de esta última), introducir la restricción estadística reduce la fidelidad puntual frente a un entrenamiento estándar basado solo en el error cuadrático medio (MSE). En el campo completo, el RMSE sube de 2,878 a 3,112 (+8,13%) y el índice de similitud estructural (SSIM) baja de 0,947 a 0,944. En los subconjuntos de cola — cuantiles ≥0,95, ≥0,975 y ≥0,99 — el aumento del RMSE va del 9,21% al 10,30%, mientras que la pérdida de SSIM se mantiene por debajo del 0,48%. En los subconjuntos de bulk el RMSE crece un 6,20-6,92%: la precisión empeora en todas partes, pero empeora más justo donde el método debería aportar algo. Entre las limitaciones que reconocen los propios autores figuran la imposibilidad de determinar de forma unívoca la posición espacial de los eventos extremos a partir de un observable escalar, la dependencia crítica de una especificación correcta de la distribución de referencia y la ausencia de identificación de los mecanismos físicos que los generan.

El trabajo, financiado por una Vannevar Bush Faculty Fellowship y por la U.S. Air Force Office of Scientific Research, abre a aplicaciones teóricas también en la navegación robótica y en los mercados financieros. El método se demuestra sobre una sola variable, la precipitación, y una sola zona, los Estados Unidos continentales, con datos de reanálisis en lugar de observaciones directas; el propio MIT escribe que extenderlo a otros peligros requiere estadísticas y mapas específicos de ese peligro. No consta ninguna validación independiente fuera del grupo autor, ni un uso operativo por parte de organismos de protección civil o agencias meteorológicas.

El compromiso está declarado: unos puntos porcentuales de precisión cedidos en todas partes a cambio de escenarios que los datos históricos no contienen. Si compensa depende de cuánto se parezca a la realidad la distribución de referencia elegida de antemano, el punto que los propios autores señalan como crítico.

— Olya