Ein neues System zur Wettervorhersage und Vorhersage des künftigen Klimas nutzt künstliche Intelligenz (KI) und soll laut seinen Entwicklern dabei deutlich weniger Rechenleistung verbrauchen und damit mit den besten bestehenden Modellen vergleichbare Ergebnisse erzielen.
In einem Papier veröffentlicht in NaturEin Forscherteam von Google, MIT, Harvard und dem Europäischen Zentrum für mittelfristige Wettervorhersage sagt, ihr Modell biete enorme „Rechenzeiteinsparungen“ und könne „die groß angelegten physikalischen Simulationen verbessern, die für das Verständnis und die Vorhersage des Erdsystems unerlässlich sind“.
Das NeuralGCM-Modell ist das neueste in einer stetigen Reihe von Forschungsmodellen, die Fortschritte im maschinellen Lernen nutzen, um Wetter- und Klimavorhersagen schneller und kostengünstiger zu machen.
Was ist NeuralGCM?
Das NeuralGCM-Modell zielt darauf ab, die besten Funktionen traditioneller Modelle mit einem maschinellen Lernansatz zu kombinieren.
Im Kern ist NeuralGCM ein sogenanntes „allgemeines Zirkulationsmodell“. Es enthält eine mathematische Beschreibung des physikalischen Zustands der Erdatmosphäre und löst komplizierte Gleichungen, um vorherzusagen, was in der Zukunft passieren wird.
NeuralGCM verwendet jedoch auch maschinelles Lernen – einen Prozess zum Suchen nach Mustern und Regelmäßigkeiten in riesigen Datenmengen – für einige weniger gut verstandene physikalische Prozesse, wie etwa die Wolkenbildung. Der hybride Ansatz stellt sicher, dass die Ausgabe der Module des maschinellen Lernens mit den Gesetzen der Physik übereinstimmt.
Google-Forscher erklären das NeuralGCM-Modell.
Mit dem daraus resultierenden Modell lassen sich dann Wetterprognosen für Tage und Wochen im Voraus erstellen und auch Klimavorhersagen für die nächsten Monate und Jahre erstellen.
Die Forscher verglichen NeuralGCM mit anderen Modellen anhand einer standardisierten Reihe von Prognosetests namens Wetterbank 2Bei Drei- und Fünf-Tages-Vorhersagen schnitt NeuralGCM ungefähr so gut ab wie andere maschinell lernende Wettermodelle wie Pangu Und GraphCast. Bei längerfristigen Vorhersagen über zehn und 15 Tage war NeuralGCM ungefähr so genau wie die besten bestehenden herkömmlichen Modelle.
Auch bei der Vorhersage seltener Wetterphänomene wie tropischer Wirbelstürme und atmosphärischer Flüsse war NeuralGCM recht erfolgreich.
Warum maschinelles Lernen?
Modelle des maschinellen Lernens basieren auf Algorithmen, die Muster in den Daten lernen, mit denen sie gefüttert werden, und diese Erkenntnisse dann nutzen, um Vorhersagen zu treffen. Da Klima- und Wettersysteme hochkomplex sind, benötigen Modelle des maschinellen Lernens zum Training große Mengen historischer Beobachtungen und Satellitendaten.
Der Trainingsprozess ist sehr teuer und erfordert viel Rechenleistung. Nachdem ein Modell jedoch trainiert ist, ist es schnell und kostengünstig, damit Vorhersagen zu treffen. Dies macht einen großen Teil ihrer Attraktivität für die Wettervorhersage aus.
Die hohen Schulungskosten und die niedrigen Nutzungskosten sind ähnlich wie bei anderen Arten von maschinellem Lernen. GPT-4 zum Beispiel Berichten zufolge Die Schulung dauerte mehrere Monate und kostete über 100 Millionen US-Dollar, kann jedoch innerhalb weniger Augenblicke auf eine Anfrage reagieren.
Eine Schwäche von Modellen des maschinellen Lernens besteht darin, dass sie in ungewohnten Situationen – oder in diesem Fall bei extremen oder beispiellosen Wetterbedingungen – oft Schwierigkeiten haben. Dazu muss ein Modell in der Lage sein, über die Daten, mit denen es trainiert wurde, hinaus zu verallgemeinern oder zu extrapolieren.
NeuralGCM scheint in dieser Hinsicht besser zu sein als andere Modelle des maschinellen Lernens, da sein physikbasierter Kern eine gewisse Verankerung in der Realität bietet. Mit dem Klimawandel auf der Erde werden beispiellose Wetterbedingungen häufiger auftreten, und wir wissen nicht, wie gut Modelle des maschinellen Lernens damit Schritt halten können.
Noch nutzt niemand auf maschinellem Lernen basierende Wettermodelle für die tägliche Vorhersage. Allerdings ist dies ein sehr aktives Forschungsgebiet – und so oder so können wir sicher sein, dass die Vorhersagen der Zukunft auf maschinellem Lernen basieren werden.
Dieser Artikel wurde erneut veröffentlicht von Die Unterhaltung unter einer Creative Commons-Lizenz. Lesen Sie die originaler Artikel.