Neue künstliche Intelligenz übertrifft traditionelle Wettermodelle
Google DeepMind sorgt mit seiner neuen Wetter-KI GraphCast nicht nur bei Meteorologen für Aufsehen. In einigen Fällen übertrifft es die leistungsstärksten Wettermodelle – und seine Effizienz ist beeindruckend. Wird künstliche Intelligenz bald die traditionelle Wettervorhersage ersetzen?
Kürzlich stellten Forscher von Google DeepMind in einer in der Fachzeitschrift Science veröffentlichten Studie eine neue Wetter-KI namens GraphCast vor. Ihnen zufolge kann es mit überraschender Effizienz sehr hochwertige 10-Tage-Prognosen berechnen. Laut einer Bewertung von Experten des Europäischen Zentrums für mittelfristige Wettervorhersagen (ECMWF) ist GraphCast bei der Vorhersage von Variablen wie Temperatur und Niederschlag zu 90 % genau und übertrifft damit das beste Wettermodell des ECMWF (IFS HRES). Auch der Verlauf tropischer Wirbelstürme lässt sich oft mehrere Tage im Voraus mit klassischen Wettermodellen vorhersagen.
Das Beste daran ist, dass GraphCast um Größenordnungen effizienter ist, da Google AI deutlich weniger Rechenleistung benötigt und laut Google sogar auf einem einzigen Prozessor läuft. Allerdings liefert es tausendmal schneller Ergebnisse – eine deutliche Verbesserung. Forscher bezeichnen dies als einen Wendepunkt in der Wettervorhersage.
Das Vorgängerprogramm war äußerst komplex
Klassische numerische Wettermodelle werden typischerweise auf teuren und energieintensiven Supercomputern in großen Rechenzentren ausgeführt, und aufgrund ihrer hohen Komplexität dauert jeder Rechendurchlauf oft mehrere Stunden. Daher bedeuten Verbesserungen mithilfe künstlicher Intelligenz wie GraphCast enorme Kosteneinsparungen.
Auch die Verbesserung numerischer Modelle verbraucht enorme Ressourcen und beschäftigt viele verschiedene Forschungsbereiche in der Meteorologie und anderen Naturwissenschaften. Die Grundlagenforschung selbst dürfte dadurch nicht an Bedeutung verlieren, da sie auch für die Interpretation und das Verständnis von Modellen und Vorhersagen von entscheidender Bedeutung ist. Da der Optimierungsprozess klassischer Wettermodelle jedoch komplex und teuer ist, können durch den Einsatz von Modellen der künstlichen Intelligenz auch die verfügbaren Ressourcen besser genutzt werden.
Wie funktioniert künstliche Intelligenz eigentlich?
Algorithmen, die sogenannte neuronale Netze nutzen, werden oft als künstliche Intelligenz bezeichnet. Sie bestehen aus vielen sogenannten Knoten und bilden ein weit verzweigtes Netzwerk, ähnlich den Nervenzellen im menschlichen Gehirn. Die Verbindungen dieser Knoten sind zunächst alle gleichwertig, werden jedoch durch Training anhand des Beispieldatensatzes geändert oder gewichtet. Neuronale Netze werden darauf trainiert, Muster in großen Datensätzen zu erkennen und dann die Eingabedaten zu klassifizieren oder daraus Vorhersagen abzuleiten. Sobald die KI trainiert ist, kann sie auf anderen Daten ausgeführt werden und aus diesen Daten basierend auf den Zielen die erforderlichen Erkenntnisse ableiten. Dies ist grundsätzlich auch für Wetterdaten möglich.
Die klassische Wettervorhersage hingegen basiert auf über Jahrzehnte verfeinerten mathematisch-physikalischen Modellen und nutzt hochkomplexe Rechenformeln, um Prognoseläufe aus einem Ausgangsdatensatz zu berechnen. Aus physikalischen Gründen können viele dieser Formeln jedoch nur näherungsweise ermittelt und angewendet werden. Je genauer die Genauigkeit und Auflösung (räumlich und zeitlich) des Modells bzw. der Vorhersage ist, desto größer sind die erforderlichen Ressourcen im entsprechenden Rechenzentrum. Künstliche Intelligenz schafft es mit ihrem völlig anderen Ansatz, dieses Problem teilweise zu umgehen.
Schwächen von KI-Methoden
Allerdings schafft der radikal andere Umgang mit der KI-Technologie auch Probleme. Und KI übertrifft frühere Wettermodelle nicht immer. Beispielsweise traf der Hurrikan Otis, der kürzlich plötzlich an der mexikanischen Küste auftauchte, nach extremer Intensivierung die mexikanische Küste bei Acapulco mit unvorhergesehener Zerstörungskraft. Hier konnte GraphCast, ähnlich wie bei den jüngsten Einzelstürmen in Mitteleuropa, keine Überlegenheit gegenüber herkömmlichen Wettermodellen nachweisen.
Das mag daran liegen, dass künstliche Intelligenz naturgemäß nur mit historischen Wetterdaten trainiert werden kann. Dies könnte eine kritische Schwachstelle in einer Zeit sein, in der sich der Klimawandel beschleunigt und das Klimasystem vor grundlegenden Veränderungen steht oder bereits dabei ist. Künstliche Intelligenz kann neue Entwicklungen durch den Klimawandel unterschätzen oder völlig falsch einschätzen.
Kann künstliche Intelligenz die traditionelle Wettervorhersage ersetzen?
Forscher des Jülich Supercomputing Centre gehen in einer von ihnen veröffentlichten Studie davon aus, dass dies bereits im Jahr 2021 passieren könnte. Theoretisch ist es denkbar, dass die klassische Wettervorhersage mithilfe numerischer Wettermodelle eines Tages vollständig durch Methoden der künstlichen Intelligenz ersetzt wird. Dies erfordert jedoch größere technologische Durchbrüche, insbesondere die Integration wichtiger physikalischer Gesetze in KI-Algorithmen. Auf diese Weise ist es möglich, die Vorteile der klassischen Wettervorhersage mit denen der künstlichen Intelligenz zu kombinieren und die bisherigen Schwächen der künstlichen Intelligenz zu beseitigen.
Bisher kann Künstliche Intelligenz lediglich klassische numerische Modelle ergänzen oder Teile klassischer Arbeitsabläufe ersetzen. Bevor künstliche Intelligenz die Wettervorhersage vollständig übernehmen kann, muss die menschliche Intelligenz auf diesem Gebiet zunächst einige Erfolge erzielen. Bisher sehen die Google-Forscher selbst ihre Arbeit lediglich als Ergänzung zu bestehenden Modellen. Künstliche Intelligenz ist noch kein Allheilmittel für bestehende Probleme in der Wettervorhersage, aber das Entwicklungstempo ist beträchtlich.
Quelle: www.ntv.de
