Microsoft presenta su iniciativa de investigación climática
Abordar y mitigar los efectos del cambio climático requiere un esfuerzo colectivo, para aportar fortalezas a la industria, el gobierno, la academia y la sociedad civil. A medida que se continúa con la exploración del papel de la tecnología para avanzar en el arte de lo posible, Microsoft lanza la Iniciativa de Investigación Climática de Microsoft (MCRI, por sus siglas en inglés). Esta comunidad de investigadores multidisciplinarios trabaja en conjunto para acelerar la investigación de vanguardia y la innovación transformadora en la ciencia y la tecnología del clima.
MCRI permite llevar las habilidades de investigación y las capacidades informáticas de Microsoft a una colaboración profunda y continua con expertos en el dominio. Para el lanzamiento de esta iniciativa, la compañía se enfocó en tres áreas críticas en la investigación climática donde los avances computacionales pueden impulsar transformaciones científicas clave: Superar las limitaciones para la descarbonización, reducir las incertidumbres en la contabilidad del carbono y evaluar los riesgos climáticos con más detalle.
A través de estos proyectos de investigación en colaboración, Microsoft espera desarrollar y mantener un ecosistema de investigación bastante comprometido que comprenda una diversidad de perspectivas. Los investigadores ofrecerán experiencia transdisciplinaria y diversa, en particular en áreas más allá de la informática tradicional, como ciencias ambientales, química y una variedad de disciplinas de ingeniería. Se espera que todos los resultados de esta iniciativa se hagan públicos y estén disponibles de manera gratuita para impulsar una investigación y un progreso aún más amplio sobre estos importantes problemas climáticos.
“Como investigadores, estamos entusiasmados de trabajar juntos en proyectos seleccionados en específico por su impacto potencial en los desafíos climáticos globales. Con las capacidades computacionales de Microsoft y la experiencia en el dominio de nuestros colaboradores, nuestras fortalezas complementarias pueden acelerar el progreso de maneras increíbles”, afirma Karin Strauss, Microsoft.
Los investigadores de Microsoft trabajarán con colaboradores a nivel mundial para investigar en conjunto temas prioritarios relacionados con el clima y llevar investigaciones innovadoras de clase mundial a revistas y lugares influyentes.
A continuación, la descripción de la fase uno de esta iniciativa:
- Contabilidad de carbono
Monitoreo en tiempo real del progreso del control de carbono a partir de observaciones de CO2 y contaminantes del aire con una red neuronal basada en transformadores con información física
Comprender el cambio en las emisiones de CO2 a partir de la medición de las concentraciones de CO2, como la que realizan los satélites, es muy útil para rastrear el progreso en tiempo real de las acciones de reducción de carbono. Las observaciones actuales de CO2 son limitadas: los métodos basados en modelos numéricos tienen una eficiencia de cálculo muy baja. El estudio propuesto tiene como objetivo desarrollar un método novedoso que combine el modelado numérico atmosférico y el aprendizaje automático para inferir las emisiones de CO2 de las observaciones satelitales y los datos del sensor del monitor terrestre.
Presupuesto global de carbono en tiempo casi real (ANGCB, por sus siglas en inglés) basado en IA
La mitigación del cambio climático dependerá de una trayectoria de emisiones de carbono que logre con éxito la neutralidad de carbono para 2050. Para ese fin, es esencial una evaluación del presupuesto global de carbono. El proyecto Global Carbon Budget (ANGCB) basado en IA y casi en tiempo real tiene como objetivo proporcionar la primera evaluación global del presupuesto de carbono del mundo basada en Inteligencia Artificial (IA) y otras tecnologías de ciencia de datos.
- Reducción y eliminación de carbono
Descubrimiento computacional de nuevos marcos orgánicos de metales para la captura de carbono
Se espera que la eliminación de CO2 del medio ambiente sea un componente integral para mantener el aumento de la temperatura por debajo de 1.5 °C. Sin embargo, hoy en día esta es una empresa ineficiente y costosa. Este proyecto aplicará el aprendizaje automático generativo al diseño de nuevos marcos organometálicos (MOF, por sus siglas en inglés) para optimizar la eliminación de CO2 del aire y otras corrientes de gas diluido a bajo costo.
Una evaluación de la reducción de CO2 catalizada por metal líquido
El proceso de reducción de CO2 se puede utilizar para convertir el carbono capturado en una forma almacenable, así como para fabricar combustibles y materiales sustentables con menores impactos ambientales. Este proyecto evaluará los procesos de reducción basados en metales líquidos, para identificar ventajas, puntos críticos y oportunidades de mejora necesarias para alcanzar escalas industriales relevantes. Sentará las bases para mejorar los catalizadores y abordar los cuellos de botella de escalamiento.
Diseño Computacional y Caracterización de Electrolitos Orgánicos para Baterías de Flujo y Aplicaciones de Captura de Carbono
El almacenamiento de energía es esencial para permitir una generación de electricidad 100% libre de carbono. Este trabajo utilizará modelos de aprendizaje automático generativo y modelado de mecánica cuántica para impulsar el descubrimiento y la optimización de una nueva clase de moléculas orgánicas para el almacenamiento de energía electroquímica y la captura de carbono con eficiencia energética.
Predicción de propiedades de polímeros reciclables
A pesar de los alentadores avances en el reciclaje, muchos polímeros plásticos a menudo terminan como materiales de un solo uso. Los plásticos que componen las placas de circuito impreso (PCB, por sus siglas en inglés), omnipresentes en todos los dispositivos modernos, se encuentran entre los más difíciles de reciclar. Los vitrímeros, una nueva clase de polímeros que se pueden reciclar varias veces sin cambios significativos en las propiedades del material, presentan una alternativa prometedora. Este proyecto aprovechará los avances en el aprendizaje automático para seleccionar formulaciones de vitrimer que resistan los requisitos impuestos por su uso en PCB.
Descubrimiento acelerado de materiales de cemento verde
La industria del concreto es uno de los principales contribuyentes a las emisiones de gases de efecto invernadero, la mayoría de los cuales se pueden atribuir al cemento. El descubrimiento de cementos alternativos es una vía prometedora para disminuir los impactos ambientales de la industria. Este proyecto empleará métodos de aprendizaje automático para acelerar la optimización de las propiedades mecánicas de los cementos “verdes” que cumplan con las restricciones de calidad de la aplicación y minimicen la huella de carbono.
- Resiliencia ambiental
Inferencia causal para comprender el impacto de las intervenciones humanitarias en la seguridad alimentaria en África
El proyecto Causal4Africa investigará el problema de la seguridad alimentaria en África desde un punto de vista de inferencia causal novedosa. El proyecto ilustrará la utilidad del descubrimiento causal y la estimación de efectos a partir de datos de observación mediante análisis de intervención. Como una meta ambiciosa, mejorará la utilidad de los enfoques causales de ML para la evaluación del riesgo climático al permitir la interpretación y evaluación de la probabilidad y las posibles consecuencias de intervenciones específicas.
Mejora de la previsión subestacional con aprendizaje automático
Los administradores de agua y de incendios confían en los pronósticos subestacionales con dos a seis semanas de anticipación para asignar el agua, controlar los incendios forestales y prepararse para las sequías y otros fenómenos meteorológicos extremos. Sin embargo, se carece de pronósticos hábiles para el régimen subestacional debido a una compleja dependencia del clima local, las variables climáticas globales y la naturaleza caótica del clima. Para abordar esta necesidad, este proyecto utilizará el aprendizaje automático para corregir de manera adaptativa los sesgos en los pronósticos tradicionales basados en la física y combinar de manera adaptativa los pronósticos de modelos dispares.
