Im September widmeten Forscher der DeepMind AI-Abteilung von Google in London dem Wetter auf der anderen Seite des Großen Teichs ungewöhnliche Aufmerksamkeit. Hurrikan Lee war noch mindestens 10 Tage von der Landung entfernt – Äonen, wenn man die Prognosen ausdrückt – und die offiziellen Prognosen schwankten immer noch, ob der Sturm große Städte im Nordosten treffen oder sie ganz verfehlen würde. DeepMinds eigene experimentelle Software hatte eine sehr spezifische Prognose für die Landung viel weiter nördlich erstellt. „Wir waren an unseren Sitzen gefesselt“, sagt der Forscher Rémi Lam.
Eineinhalb Wochen später, am 16. September, landete Lee genau dort, wo DeepMinds Software namens GraphCast Tage zuvor vorhergesagt hatte: Long Island, Nova Scotia – weit entfernt von großen Bevölkerungszentren. Dies trug zu einer bahnbrechenden Saison für eine neue Generation von KI-gestützten Wettermodellen bei, darunter auch andere von Nvidia und Huawei, deren starke Leistung das Feld überrascht hat. Erfahrene Prognostiker sagten WIRED zu Beginn dieser Hurrikansaison, dass die ernsthaften Zweifel der Meteorologen an der KI durch die Erwartung großer bevorstehender Veränderungen auf diesem Gebiet ersetzt wurden.
Heute hat Google neue, von Experten überprüfte Beweise für dieses Versprechen vorgelegt. In einem veröffentlichten Artikel heute in Wissenschaft, berichten DeepMind-Forscher, dass ihr Modell die Vorhersagen des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF), einem globalen Giganten der Wettervorhersage, bei 90 Prozent von mehr als 1.300 atmosphärischen Variablen wie Luftfeuchtigkeit und Temperatur übertraf. Besser noch: Das DeepMind-Modell könnte auf einem Laptop ausgeführt werden und in weniger als einer Minute eine Prognose ausspucken, während die herkömmlichen Modelle einen riesigen Supercomputer erfordern.
Frische Luft
Herkömmliche Wettersimulationen treffen ihre Vorhersagen, indem sie versuchen, die Physik der Atmosphäre nachzubilden. Sie sind im Laufe der Jahre besser geworden, dank besserer Mathematik und durch die Einbeziehung feinkörniger Wetterbeobachtungen von wachsenden Armadas von Sensoren und Satelliten. Sie sind auch umständlich. Die Berechnung von Vorhersagen großer Wetterzentren wie dem ECMWF oder der US National Oceanic and Atmospheric Association auf leistungsstarken Servern kann Stunden dauern.
Als Peter Battaglia, Forschungsdirektor bei DeepMind, vor einigen Jahren begann, sich mit Wettervorhersagen zu beschäftigen, schien dies das perfekte Problem für seine besondere Vorliebe für maschinelles Lernen zu sein. DeepMind hatte bereits lokale Niederschlagsvorhersagen mit einem System namens NowCasting übernommen, das mit Radardaten trainiert wurde. Nun wollte sein Team versuchen, das Wetter auf globaler Ebene vorherzusagen.
Battaglia leitete bereits ein Team, das sich auf die Anwendung von KI-Systemen namens Graph Neural Networks (GNNs) konzentrierte, um das Verhalten von Flüssigkeiten zu modellieren, eine klassische physikalische Herausforderung, die die Bewegung von Flüssigkeiten und Gasen beschreiben kann. Angesichts der Tatsache, dass es bei der Wettervorhersage im Wesentlichen um die Modellierung des Molekülflusses geht, schien die Nutzung von GNNs intuitiv. Während das Training dieser Systeme anspruchsvoll ist und Hunderte von spezialisierten Grafikprozessoren oder GPUs erfordert, um enorme Datenmengen zu verarbeiten, ist das endgültige System letztendlich leichtgewichtig und ermöglicht die schnelle Erstellung von Prognosen mit minimaler Computerleistung.
GNNs stellen Daten als mathematische „Graphen“ dar – Netzwerke miteinander verbundener Knoten, die sich gegenseitig beeinflussen können. Bei den Wettervorhersagen von DeepMind repräsentiert jeder Knoten eine Reihe atmosphärischer Bedingungen an einem bestimmten Ort, wie z. B. Temperatur, Luftfeuchtigkeit und Druck. Diese Punkte sind rund um den Globus und in verschiedenen Höhen verteilt – eine buchstäbliche Datenwolke. Das Ziel besteht darin, vorherzusagen, wie alle Daten an all diesen Punkten mit ihren Nachbarn interagieren werden, und zu erfassen, wie sich die Bedingungen im Laufe der Zeit ändern.