Das maschinelle Lernmodell von Google DeepMind, GraphCast, schlug in ersten Tests herkömmliche Wettervorhersagemethoden um Längen.
Die genaue Vorhersage des Wetters ist eine schwierige Aufgabe, die umso komplexer wird, je mehr Tage wir in die Zukunft voraussagen wollen.
Aus diesem Grund verlassen sich meteorologische Organisationen auf die leistungsfähigsten Supercomputer der Welt, um die komplexen Vorhersagealgorithmen zu berechnen, die uns sagen, ob es morgen regnen wird oder nicht.
Das Modell des Integrierten Vorhersagesystems (IFS), das das Europäische Zentrum für mittelfristige Wettervorhersage (ECMWF) verwendet, gilt als das genaueste europäische Wettermodell. Und GraphCast hat es gerade bei weitem übertroffen.
GraphCast war in der Lage, das Wetter 10 Tage im Voraus schneller und genauer vorherzusagen als das ECMWF bei mehr als 90% von 1.380 Verifikationszielen.
Zu wissen, ob man seinen Regenschirm mit zur Arbeit nehmen sollte, ist praktisch, aber die genaue Vorhersage von extremen Wetterereignissen ist der Punkt, an dem GraphCast einen entscheidenden Beitrag leisten könnte.
Im September, als der Hurrikan Lee 9 Tage vor dem Landfall stand, arbeiteten die Wetterämter hart daran, vorherzusagen, welche Stadt die Hauptlast des Sturms tragen würde.
Das IFS-Modell sagte grob voraus, dass der Hurrikan einige Städte im Nordosten treffen oder sie möglicherweise ganz verfehlen würde. GraphCast sagte unterdessen voraus, dass Hurrikan Lee auf Nova Scotia treffen würde.
Erst drei Tage später kam der IFS zu demselben Schluss, der sich schließlich als richtig erwies. Stellen Sie sich vor, welche Verbesserung der Einsatz von Ressourcen und Notfalldiensten durch drei zusätzliche Tage möglich wäre.
Pushmeet Kohli, Vizepräsident für Forschung bei Google DeepMind, sagte: "Die Wettervorhersage ist eines der schwierigsten Probleme, an denen die Menschheit seit langer Zeit arbeitet. Und wenn man sich anschaut, was in den letzten Jahren mit dem Klimawandel passiert ist, ist dies ein unglaublich wichtiges Problem."
Wir stellen GraphCast vor: unser hochmodernes KI-Modell, das 10-Tage-Wettervorhersagen mit bisher unerreichter Genauigkeit in weniger als einer Minute liefert. 🌦️
Sie kann sogar dazu beitragen, die möglichen Pfade von Wirbelstürmen in der Zukunft vorherzusagen.
So funktioniert es. 🧵 https://t.co/ygughpkdeP pic.twitter.com/0Y6DyBXDow
- Google DeepMind (@GoogleDeepMind) 14. November 2023
Wie funktioniert das?
Herkömmliche Modelle wie IFS verwenden die "numerische Wettervorhersage" (NWP). Dabei werden große Mengen an Daten von Wettersensoren gesammelt, die dann in komplexe Gleichungen eingegeben werden, die von Supercomputern verarbeitet werden.
Die Gleichungen werden von Expertenteams verfeinert und werden immer genauer, aber sie erfordern immer noch viel Rechenleistung und brauchen viel Zeit, um eine Vorhersage zu treffen.
Bei der NWP geht es im Wesentlichen darum, mithilfe von Algorithmen zu modellieren, wie die Atmosphäre funktioniert, um vorherzusagen, was als Nächstes passieren wird.
Was GraphCast tut, ist viel einfacher, kann aber nicht mit herkömmlichen Gleichungen erreicht werden.
Das GraphCast-Modell verwendet auf maschinellem Lernen basierende Wettervorhersagen (MLWP) und wurde auf der Grundlage von historischen Wetterdaten aus rund 50 Jahren trainiert.
Anstatt ein Modell unserer Atmosphäre zu erstellen, sucht es nach Mustern in den Daten. Ein KI-Modell ist hervorragend in der Lage, subtile Muster zu finden, die mit festen Gleichungen nicht zu erkennen sind.
GraphCast schaut sich die aktuellen Wetterdaten an und sagt: "Das letzte Mal, als ich diese Bedingungen gesehen habe, war das Nächste, was passiert ist..." und macht dann eine Vorhersage.
Der Detaillierungsgrad bzw. die Auflösung der GraphCast-Vorhersagen ist nicht so gut wie bei herkömmlichen Modellen, aber sie sind wesentlich genauer und schneller.
Während ein Supercomputer stundenlang Wetterdaten verarbeiten müsste, um eine Vorhersage zu treffen, kann GraphCast auf einem einzigen Google TPU v4-Rechner in weniger als einer Minute ein Ergebnis liefern.
MLWP ist in hohem Maße von historischen Daten abhängig, die von traditionellen NWP-Modellen erzeugt werden, und wird diese daher noch nicht ersetzen.
Die Verwendung eines Instruments wie GraphCast in Verbindung mit den derzeitigen Methoden wird jedoch dazu beitragen, extreme Wetterereignisse schneller und genauer vorherzusagen.
Google DeepMind stellt GraphCast als Open Source zur Verfügung und es wird bereits vom ECMWF genutzt.
