Microsoft y Terradot presentaron el 12 de noviembre nuevos detalles de TerraNova, un modelo de inteligencia artificial desarrollado para estimar la remoción de dióxido de carbono mediante roca triturada aplicada a terrenos agrícolas. La herramienta combina información del suelo con representaciones meteorológicas aprendidas por Aurora, un modelo previo de Microsoft.
La propuesta aborda un obstáculo de la meteorización acelerada de rocas: determinar cuánto material reacciona en cada parcela y cuánto carbono puede retirarse de la atmósfera. Esas estimaciones requieren muestreos y análisis de laboratorio. TerraNova busca apoyar la selección de terrenos y la evaluación de resultados, sin eliminar las mediciones físicas.
Del pronóstico atmosférico a la química del terreno
Aurora fue desarrollado como un modelo base para estudiar condiciones del sistema terrestre. Su entrenamiento reunió más de un millón de horas de datos atmosféricos. La arquitectura permite ajustarlo a tareas distintas mediante información adicional, una capacidad que sus investigadores han explorado en pronósticos meteorológicos, calidad del aire y oleaje.
El interés de ese antecedente para TerraNova reside en las variables que condicionan la reacción de los minerales. La humedad, la temperatura y las condiciones del suelo influyen en el proceso. El nuevo uso aprovecha representaciones aprendidas del tiempo atmosférico y las combina con información específica de las parcelas y de la roca aplicada.
En la meteorización acelerada, minerales de silicato reaccionan con dióxido de carbono disuelto en el agua y generan bicarbonatos. Triturar la roca aumenta la superficie expuesta y acelera esa reacción natural. La intervención física ocurre en el terreno; la inteligencia artificial se utiliza para estimar su comportamiento.
Datos de campo y límites del aprendizaje
Un trabajo técnico sobre TerraNova describe un entrenamiento con más de 170 mil secuencias temporales, principalmente de meteorización natural y con una cantidad menor de datos de aplicación acelerada. El sistema incorpora propiedades del suelo, condiciones ambientales y características del material, además de información espacial y temporal.
Entre las variables consideradas figuran la textura del terreno, su acidez, la humedad, la precipitación y la composición del material aplicado. El enfoque no trata todas las parcelas como equivalentes: integra datos particulares para estimar tasas de remoción de carbono en distintas condiciones.
El mismo trabajo señala que los análisis de interpretación muestran correlaciones, pero no establecen causalidad. También identifica la necesidad de ampliar comparaciones y mejorar la evaluación frente a otras aproximaciones. Esas limitaciones impiden convertir una buena predicción experimental en una garantía universal de desempeño.
Una reducción de muestras que sigue bajo validación
En las simulaciones comunicadas por las empresas, combinar las predicciones con una cantidad menor de muestras permitió reducir hasta 75 por ciento el muestreo requerido en los sitios más grandes, manteniendo el nivel de precisión evaluado. El porcentaje describe ese ejercicio; no acredita una reducción ya obtenida en cualquier explotación agrícola.
Terradot trabaja con campos de Brasil y Estados Unidos. La empresa informó que el modelo pudo utilizar aprendizaje obtenido con datos brasileños para generar predicciones sobre terrenos de Mississippi. Esa prueba de transferencia es una parte del desarrollo, no evidencia de que todos los suelos respondan igual.
La presentación más reciente reconoce que hacen falta desarrollo adicional y validación extensa. El objetivo es combinar cálculo y observación para abaratar la estimación del carbono retirado. La roca realiza la reacción química; el modelo ayuda a anticiparla y medirla, con resultados que todavía deben contrastarse frente a nuevas condiciones de campo.
Fuentes: Microsoft Source, Microsoft Source, presentación de Aurora, From Weather to Weathering: Foundation Models for Carbon Removal via Rock Weathering, Terradot.
