Wettervorhersage und Klimamodelle sind enorm wichtig, aber auch sehr komplex und rechenintensiv. Forscher haben jetzt einen neuen Ansatz entwickelt, der die Stärken klassischer physikalischer Modelle mit künstlicher Intelligenz kombiniert. Das Ergebnis ist NeuralGCM – ein Hybridmodell, das genauere Vorhersagen liefert und dabei deutlich weniger Rechenleistung benötigt. Viele technische Hintergründe verrät Google im Blogbeitrag.
Das Besondere an NeuralGCM (GCM steht übrigens für General circulation models, ein Grundstein der Wetter- und Klimavorhersage) ist, dass es zwei Komponenten verbindet: Einen Teil, der die grundlegenden physikalischen Gleichungen der Atmosphäre löst, und einen Teil aus neuronalen Netzen, der kleinskalige Prozesse wie Wolkenbildung simuliert. Durch das Trainieren beider Teile zusammen lernt das KI-Modell, wie diese Prozesse zusammenspielen.
In Tests war NeuralGCM bisherigen Methoden überlegen. Es sagte das Wetter genauer voraus, simulierte Tropenstürme und andere Phänomene realistischer und zeigte auch über Jahrzehnte korrekte Klimatrends. Dabei kam es mit einer 8- bis 40-fach gröberen Auflösung aus – das spart enorm viel Rechenaufwand.
Ein überraschendes Ergebnis: Obwohl NeuralGCM nur mit kurzfristigen Wetterdaten trainiert wurde, funktionierte es auch für langfristige Klimasimulationen. Das deutet darauf hin, dass sich aus Wetterdaten lernen lässt, was für Klimamodelle wichtig ist. Für den Praxiseinsatz lässt sich der Ansatz flexibel mit mehr Physik oder KI kombinieren.
Die Forscher sehen ein großes Potenzial ihres Ansatzes. Hybridmodelle wie NeuralGCM könnten nicht nur Wetter- und Klimamodelle verbessern, sondern auch ganz andere Bereiche wie Materialforschung oder Biotechnologie voranbringen. Dank des geringeren Rechenbedarfs sind auch Anwendungen möglich, die bisher zu aufwendig waren – zum Beispiel sehr große Ensembles von Klimasimulationen, um Vorhersagen robuster zu machen.
Wie das in der Forschung immer so ist: Bis zur praktischen Anwendung dauert es wohl noch ein bisschen. „Obwohl wir NeuralGCM noch nicht zu einem vollständigen Klimamodell ausgebaut haben, ist es ein bedeutender Schritt in Richtung der Entwicklung leistungsfähigerer und zugänglicher Klimamodelle“, schreibt einer der Autoren.