{"id":13552,"date":"2024-07-23T13:12:56","date_gmt":"2024-07-23T13:12:56","guid":{"rendered":"https:\/\/dailyai.com\/?p=13552"},"modified":"2024-07-23T13:19:34","modified_gmt":"2024-07-23T13:19:34","slug":"googles-ai-predicts-weather-using-fraction-of-computing-power","status":"publish","type":"post","link":"https:\/\/dailyai.com\/de\/2024\/07\/googles-ai-predicts-weather-using-fraction-of-computing-power\/","title":{"rendered":"Googles KI sagt das Wetter mit einem Bruchteil der Rechenleistung voraus"},"content":{"rendered":"

Google stellte NeuralGCM vor, ein hybrides Wettervorhersagemodell, das maschinelles Lernen mit traditionellen Vorhersagetechniken kombiniert und \u00fcberraschende Vorteile bietet.<\/strong><\/p>\n

Die Wettervorhersage hat sich in Bezug auf die Vorhersagegenauigkeit dramatisch verbessert, aber die herk\u00f6mmlichen Verfahren erfordern enorme Rechenressourcen, um immer komplexere Algorithmen auszuf\u00fchren.<\/p>\n

Allgemeine Zirkulationsmodelle (GCMs) bilden die Grundlage f\u00fcr die Klima- und Wettervorhersagen, die Sie dar\u00fcber informieren, ob Sie morgen einen Regenschirm brauchen werden.<\/p>\n

GCMs sind physikalisch basierte Simulatoren, die mathematische Gleichungen verwenden, die auf den Gesetzen der Physik basieren, um zu simulieren, wie sich Luft, Wasser und Energie auf dem Planeten bewegen.<\/p>\n

Typische GCMs unterteilen die Erdoberfl\u00e4che in ein Raster von Zellen von bis zu 100 Kilometern, wie ein riesiges Schachbrett. Der Algorithmus bearbeitet jedes Feld schrittweise, um vorherzusagen, wie sich die atmosph\u00e4rischen Bedingungen wahrscheinlich \u00e4ndern werden.<\/p>\n

Die Gleichungen, die den GCMs zugrunde liegen, sind unglaublich komplex und besch\u00e4ftigen einige der gr\u00f6\u00dften Supercomputer der Welt.<\/p>\n

Modelle des maschinellen Lernens (ML) f\u00fcr die Wettervorhersage haben ein erhebliches Potenzial gezeigt, sind aber in erster Linie datengesteuert.<\/p>\n

Ein ML-Wettervorhersagemodell hat zwar eine gute Vorstellung von den historischen Wetterdaten, verf\u00fcgt aber nicht \u00fcber das inh\u00e4rente Verst\u00e4ndnis der physikalischen Gesetze der Atmosph\u00e4re, die in einem GCM modelliert werden.<\/p>\n

ML-Modelle sind schnell und k\u00f6nnen genaue kurzfristige Vorhersagen liefern, aber sie haben oft Probleme mit der langfristigen Stabilit\u00e4t und seltenen extremen Wetterereignissen oder zuk\u00fcnftigen Klimaszenarien.<\/p>\n

NeuralGCM wurde von einem Team bei Google Research entwickelt und kombiniert die Genauigkeit und die langfristigen Vorhersagef\u00e4higkeiten herk\u00f6mmlicher GCMs mit der verbesserten Aufl\u00f6sung, Effizienz und Geschwindigkeit von ML-Modellen.<\/p>\n

\n

NeuralGCM ist frei verf\u00fcgbar, und wir sind gespannt, wie die Wissenschaftler darauf aufbauen werden.<\/p>\n

Weitere Einzelheiten finden Sie in meinem Blogbeitrag, in dem ich die Arbeit beschreibe, und in unserem Open-Source-Code:https:\/\/t.co\/AfqLagoYDs<\/a>https:\/\/t.co\/MSlFg6pgfj<\/a><\/p>\n

- Stephan Hoyer (@shoyer) 22. Juli 2024<\/a><\/p><\/blockquote>\n