Schalten Sie den Editor’s Digest kostenlos frei
Roula Khalaf, Herausgeberin der FT, wählt in diesem wöchentlichen Newsletter ihre Lieblingsgeschichten aus.
Künstliche Intelligenz hat zum ersten Mal herkömmliche Vorhersagemethoden bei der Vorhersage des weltweiten Wetters bis zu 10 Tage in der Zukunft überzeugend übertroffen.
Das GraphCast-KI-Modell „markiert einen Wendepunkt in der Wettervorhersage“, sagten seine Entwickler bei Google DeepMind in einem von Experten begutachteten Artikel veröffentlicht in der Zeitschrift Science am Dienstag.
Eine umfassende Auswertung ergab, dass GraphCast genauer war als das weltweit führende konventionelle System für Vorhersagen für drei bis zehn Tage im Voraus, das vom Europäischen Zentrum für mittelfristige Wettervorhersagen betrieben wird.
Es übertraf das ECMWF-Produkt in 90 Prozent der 1.380 verwendeten Messwerte, darunter Temperatur, Druck, Windgeschwindigkeit und -richtung sowie Luftfeuchtigkeit auf verschiedenen Ebenen der Atmosphäre.
Matthew Chantry, Koordinator für maschinelles Lernen beim ECMWF, sagte, KI-Systeme in der Meteorologie hätten „viel schnellere und beeindruckendere Fortschritte gemacht, als wir noch vor zwei Jahren erwartet hatten“.
Das ECMWF, eine zwischenstaatliche Einrichtung mit Sitz in Reading im Vereinigten Königreich, führt neben seinem eigenen integrierten Prognosesystem Live-Prognosen mit KI-Modellen von Huawei und Nvidia sowie DeepMind durch.
Chantry bestätigte die Behauptung von DeepMind, dass sein System das genaueste sei. „Wir finden, dass GraphCast durchweg leistungsfähiger ist als die anderen Modelle für maschinelles Lernen, Pangu-Weather von Huawei und FourCastNet von Nvidia, und in vielen Punkten ist es genauer als unser eigenes Prognosesystem“, sagte er der Financial Times.
GraphCast nutzt eine maschinelle Lernarchitektur namens Graph Neural Network, die aus mehr als 40 Jahren vergangenen EZMW-Daten darüber gelernt hat, wie sich Wettersysteme rund um den Globus entwickeln und bewegen.
Die Eingaben für seine Vorhersagen sind die Zustände der Atmosphäre weltweit zum aktuellen Zeitpunkt und sechs Stunden zuvor, die vom ECMWF aus globalen Wetterbeobachtungen zusammengestellt wurden. GraphCast erstellt innerhalb einer Minute eine 10-Tage-Prognose auf einem einzigen Google TPU v4-Cloud-Computer.
Im Gegensatz zu diesem datenbasierten „Black-Box“-Ansatz verwendet die konventionelle Methode des ECMWF und der nationalen Meteorologieämter der Welt, bekannt als numerische Wettervorhersage, Supercomputer, um Gleichungen auf der Grundlage wissenschaftlicher Erkenntnisse der Atmosphärenphysik zu berechnen – ein energieintensiver Prozess das dauert mehrere stunden.
„Sobald GraphCast einmal trainiert ist, ist der Betrieb enorm kostengünstig“, sagte Chantry. „Vom Energieverbrauch her könnten wir etwa 1.000-mal günstiger sein. Das ist eine wundersame Verbesserung.“
Als Beispiel für eine erfolgreiche Vorhersage nannten DeepMind-Wissenschaftler den Hurrikan Lee im Nordatlantik im September. „GraphCast war in der Lage, korrekt vorherzusagen, dass Lee neun Tage vorher in Nova Scotia landen würde, verglichen mit nur sechs Tagen bei herkömmlichen Ansätzen“, sagte Rémi Lam, Hauptautorin des Science-Artikels. „Das gab den Menschen drei weitere Tage Zeit, sich auf die Ankunft vorzubereiten.“
Bei der Vorhersage der plötzlichen explosiven Intensivierung des Hurrikans Otis vor der mexikanischen Pazifikküste, der Acapulco am 25. Oktober ohne Vorwarnung verwüstete, schnitt die KI jedoch nicht besser ab als herkömmliche physikalische Modelle.
Der nächste Schritt für das ECMWF bestünde darin, ein eigenes KI-Modell zu erstellen und zu prüfen, dieses mit seinem numerischen Wettervorhersagesystem zu kombinieren, sagte Chantry. „Es gibt Raum, unser Verständnis der Physik in diese maschinellen Lernsysteme einzubringen, die wie Blackboxen wirken können.“
Das britische Met Office, der nationale Wetterdienst, gab letzten Monat eine Zusammenarbeit mit dem Alan Turing Institute, Großbritanniens Zentrum für KI-Forschung, bekannt, um ein eigenes graphisches neuronales Netzwerk für die Wettervorhersage zu entwickeln, das es in seine bestehende Supercomputer-Infrastruktur integrieren wird.
Simon Vosper, der wissenschaftliche Direktor des Met Office, wies auf die Notwendigkeit hin, den Klimawandel bei der Vorhersage zu berücksichtigen. „Es ist berechtigt zu hinterfragen, ob KI-basierte Systeme in der Lage sind, neue Extreme zu erkennen, wenn diese Systeme nur auf frühere Wetterbedingungen ‚trainiert‘ wurden“, sagte er.
„Wir wollen das Beste herausholen, was KI bieten kann, während wir mit unseren traditionellen Computermodellen arbeiten, die auf der Physik der Atmosphäre basieren“, fügte Vosper hinzu. „Wir glauben, dass diese Kombination von Technologien in einer Zeit dramatischer Veränderungen die robustesten und detailliertesten Wettervorhersagen liefern wird.“