La contaminación atmosférica representa una de las amenazas de salud pública más graves en el Reino Unido, donde se le atribuyen aproximadamente 30.000 muertes anuales. Para abordar este problema, en septiembre de 2026, un equipo de investigación de la Universidad de Mánchester ha logrado adaptar los modelos de inteligencia artificial generativa de la familia NVIDIA Earth-2 con el objetivo de predecir la calidad del aire a escala nacional.
Tradicionalmente, integrar variables químicas en las simulaciones meteorológicas requiere una capacidad de cómputo desmesurada, lo que ralentiza los procesos y limita la frecuencia de los pronósticos. Sin embargo, aplicando arquitecturas avanzadas de aceleración en el superordenador británico Isambard-AI, los científicos han conseguido entrenar un modelo detallado de alta resolución en solo dos días. Este avance permite proyectar la dispersión de contaminantes con una precisión inédita y a una velocidad apta para la toma de decisiones. La iniciativa abre la puerta a alertas preventivas para pacientes con enfermedades respiratorias, evaluaciones de políticas públicas y respuestas inmediatas en emergencias ambientales como incendios forestales.
¿En qué consiste el modelo de contaminación de NVIDIA Earth-2?
Hasta ahora, predecir la presencia y concentración de partículas dañinas en la atmósfera suponía un desafío técnico considerable. Los modelos meteorológicos tradicionales calculan con efectividad parámetros físicos como la temperatura, el viento o la humedad. Sin embargo, cuando se introducen ecuaciones de química atmosférica para simular cómo reaccionan y se desplazan los contaminantes, la carga de cálculo se multiplica y el rendimiento del sistema cae drásticamente.
Para superar este escollo, el equipo liderado por el profesor David Topping y el estudiante de doctorado Hao Zhang, del departamento de Ciencias de la Tierra y el Medio Ambiente de la Universidad de Mánchester, recurrió a las herramientas de modelización climática de la plataforma de NVIDIA. En lugar de ejecutar complejas simulaciones químicas continuas, utilizaron un modelo generativo denominado Earth-2 CorrDiff, especializado en la reducción de escala (o downscaling). Esta técnica toma datos meteorológicos de resolución gruesa y genera representaciones detalladas de la calidad del aire a alta resolución.
El proceso de entrenamiento se nutrió de simulaciones previas de clima y química acumuladas durante un año entero en intervalos horarios. Con esta base de datos, los investigadores lograron generar una representación geográfica completa de todo el Reino Unido con una resolución de cuadrícula de entre 2 y 3 kilómetros cuadrados. Asimismo, el equipo ha integrado el modelo Earth-2 StormCast, una arquitectura que permite realizar pronósticos dependientes del tiempo incorporando directamente observaciones reales de la calidad del aire.
Por qué importa: del superordenador al ordenador de sobremesa
El aspecto más práctico de este desarrollo reside en la reducción del tiempo y los recursos energéticos necesarios para ejecutar las simulaciones. La fase de entrenamiento inicial se llevó a cabo en Isambard-AI, la infraestructura nacional de supercomputación ubicada en Bristol. Utilizando un único nodo equipado con ocho GPU, el modelo completó su aprendizaje en tan solo 48 horas. Una vez entrenada la red neuronal, la inferencia (es decir, la generación de predicciones diarias) puede ejecutarse en sistemas locales más compactos, como la estación de trabajo NVIDIA DGX Spark instalada en un escritorio convencional.
Esta descentralización tecnológica modifica la forma en que los centros de investigación y las administraciones públicas acceden a la modelización ambiental. Al disminuir el coste operativo y la huella energética de cada consulta, la previsión del aire deja de ser un recurso exclusivo de grandes agencias estatales.
Entre las aplicaciones prácticas de este sistema destacan las siguientes:
- Alertas de salud preventiva: Los servicios médicos regionales podrán notificar con días de antelación a pacientes con asma u otras condiciones respiratorias sobre episodios de alta contaminación en sus zonas residenciales.
- Evaluación de políticas públicas: Las autoridades gubernamentales podrán simular escenarios hipotéticos para medir el impacto real antes de implantar regulaciones de tráfico o restricciones industriales.
- Gestión de emergencias en tiempo real: Combinado con sensores e inteligencia artificial en el borde (dispositivos edge AI), el sistema procesará datos inmediatos ante sucesos críticos como incendios forestales.
El contexto técnico: supercomputación eficiente y ciencia abierta
El superordenador Isambard-AI, gestionado por el Centro de Supercomputación de Bristol (BriCS) en la Universidad de Bristol, cuenta con 5.448 superchips NVIDIA GH200 Grace Hopper que entregan un rendimiento global de 21 exaflops de inteligencia artificial. Según explicó Simon McIntosh-Smith, director del centro, el entrenamiento requirió un consumo eléctrico contenido en comparación con los métodos tradicionales de supercomputación, un factor relevante tratándose de un proyecto enfocado en la sostenibilidad.
Por su parte, las pruebas de inferencia y reentrenamiento local se apoyan en el superchip NVIDIA GB10 Grace Blackwell, lo que permite a grupos académicos pequeños trabajar con presupuestos contenidos. Como señalan en el comunicado oficial presentado por NVIDIA, la intención del equipo investigador es hacer públicos los flujos de trabajo y los conjuntos de datos en formato de código abierto.
El objetivo de la Universidad de Mánchester es que cualquier país o ciudad con acceso a periodos breves de supercomputación pueda desarrollar sus propios modelos ajustados a sus datos locales.
El futuro de la predicción ambiental conversacional
A medio plazo, los investigadores planean incrementar la resolución espacial para alcanzar un nivel de detalle a escala de calle. La meta a cinco años vista es integrar estos modelos en interfaces agénticas, donde médicos o responsables institucionales puedan consultar el estado del aire mediante lenguaje natural. De este modo, una pregunta sobre la calidad del aire prevista para el día siguiente en un barrio concreto activará una cadena de modelos científicos automáticos que ofrecerán una respuesta fundamentada en tiempo real.
