Tianmu-TC: Physics-constraints Generative Artificial Intelligence for Global Tropical Cyclone Forecasting

Tropische Zyklone gehören zu den gewaltigsten und zerstörerischsten Kräften auf der Erde, da sie in der Lage sind, heftige Winde und sintflutartige Regenfälle zu entfesseln, die Küstenlinien umgestalten und Leben bedrohen können. Vorherzusagen, wohin diese Stürme ziehen werden und wie stark sie werden, ist eine Aufgabe, die Wissenschaftler seit Jahrzehnten vor Herausforderungen stellt. Die Atmosphäre ist ein chaotisches System, was bedeutet, dass winzige, fast unsichtbare Fehler in unseren ursprünglichen Messungen im Laufe der Zeit zu massiven Fehlern anwachsen können – ein Phänomen, das oft als Schmetterlingseffekt bezeichnet wird. Um mit dieser Unsicherheit umzugehen, verlassen sich Meteorologen traditionell auf komplexe Computersimulationen, die tausende von leicht unterschiedlichen Szenarien durchlaufen lassen, um eine Bandbreite möglicher Ergebnisse zu erstellen. Während diese Methoden der Goldstandard für die Sicherheit sind, erfordern sie immense Rechenleistung und benötigen oft Supercomputer, die Stunden brauchen, um eine einzige Vorhersage zu erstellen, was sie langsam und teuer in der Anwendung macht.

Ein neuer Ansatz, der in einer aktuellen Forschungsarbeit detailliert beschrieben wird, deutet einen anderen Weg nach vorn an, der eine Art von künstlicher Intelligenz nutzt, die aus den Gesetzen der Physik lernt und nicht nur aus Rohdaten. Das Team hinter dieser Arbeit, unter der Leitung von Forschern der Zhejiang University of Technology und anderen Institutionen, hat ein System namens Tianmu-TC entwickelt. Im Gegensatz zu bisherigen KI-Modellen, die lediglich vergangene Sturmmuster auswendig lernten, ist dieses System darauf ausgelegt, die physikalischen Regeln zu verstehen, die bestimmen, wie sich ein Sturm bewegt und verändert. Indem die Forscher die KI dazu brachten, diese natürlichen Einschränkungen zu respektieren, haben sie ein Werkzeug geschaffen, das schnell mehrere mögliche Zukünfte eines Sturms mit weit weniger Unsicherheit als aktuelle Methoden generieren kann. Die Ergebnisse zeigen, dass diese physikgestützte KI die Zugbahn und Stärke tropischer Zyklone weltweit mit bemerkenswerter Geschwindigkeit und Genauigkeit vorhersagen kann und dabei oft die fortschrittlichsten Supercomputermodelle übertrifft, die heute von großen Wetteragenturen eingesetzt werden.

Der Kern dieses Durchbruchs liegt darin, wie die KI mit dem Chaos der Atmosphäre umgeht. Traditionelle KI-Modelle produzieren oft eine weite Streuung von Vorhersagen, vergleichbar mit einer Gruppe von Menschen, die einen Ort erraten und dabei über ein riesiges Gebiet verstreut stehen, was es schwierig macht zu wissen, wo der Sturm tatsächlich einschlagen wird. Um dies zu beheben, führten die Forscher drei spezifische physikalische Regeln oder Einschränkungen in den Lernprozess der KI ein. Erstens wird das System gezwungen, die Geschichte des Sturms zu respektieren, wodurch sichergestellt wird, dass jede neue Vorhersage logisch aus dem folgt, wo der Sturm bereits war. Zweitens muss es großräumige Wettermuster berücksichtigen, die den Sturm steuern, wie etwa Hochdrucksysteme und Windströmungen, die wie ein Fluss wirken, der ein Boot leitet. Drittens – und vielleicht am wichtigsten – wird die KI angewiesen, die interne Struktur des Sturms zu berücksichtigen, insbesondere wie sich Winde und Druck vertikal innerhalb des Sturms verschieben. Durch das Einweben dieser drei physikalischen Realitäten in den Generierungsprozess lernt die KI, die Möglichkeiten einzugrenzen, die wilden Vermutungen auszusortieren und sich auf die physikalisch plausibelsten Ergebnisse zu konzentrieren.

Bei Tests mit realen Daten von 2017 bis 2023, die Stürme in Ozeanen auf der ganzen Welt abdeckten, demonstrierte Tianmu-TC eine Präzision, die selbst die Schöpfer überraschte. Das Modell wurde ausschließlich mit Daten aus dem Westlichen Nordpazifik trainiert, konnte sein Wissen jedoch erfolgreich auf Stürme im Atlantik, im Indischen Ozean und in der Südhalbkugel generalisieren, ohne für diese spezifischen Regionen neu trainiert werden zu müssen. In direkten Vergleichen mit dem Europäischen Zentrum für mittelfristige Wettervorhersagen (ECMWF), einer führenden globalen Wetterorganisation, und anderen erstklassigen KI-Modellen lieferte Tianmu-TC konsistent geringere Fehler bei der Vorhersage sowohl der Zugbahn als auch der Intensität des Sturms. Beispielsweise reduzierte das neue Modell in Fällen, in denen Stürme ungewöhnliche, schleifende Bahnen einschlugen oder ihre Stärke schnell änderten, die Vorhersagefehler im Vergleich zu einigen bestehenden KI-Systemen um bis zu sechsmal. Es konnte auch die schnelle Intensivierung und Abschwächung von Stürmen mit einem Detailgrad vorhersagen, den viele aktuelle Systeme übersehen.

Der vielleicht beeindruckendste Aspekt dieser Entwicklung ist ihre Effizienz. Während die leistungsstärksten Wettermodelle der Welt Supercomputer und Stunden der Verarbeitungszeit benötigen, um eine Vorhersage zu erstellen, kann Tianmu-TC auf einer einzigen Standard-Grafikkarte – einer Hardware, die in vielen High-End-Computern zu finden ist – laufen und eine Vorhersage in nur etwas mehr als einer Sekunde produzieren. Diese Geschwindigkeit geht nicht zu Lasten der Genauigkeit; tatsächlich generiert das Modell einen Satz von sechs möglichen zukünftigen Pfaden, die eng um das wahrscheinlichste Ergebnis gruppiert sind, was Meteorologen ein klares, vertrauenswürdiges Bild dessen vermittelt, was zu erwarten ist. Die Forscher fanden heraus, dass das Modell selbst dann noch genaue Vorhersagen treffen konnte, wenn Echtzeitdaten über die umgebende Atmosphäre fehlten, indem es sich auf die jüngste Geschichte des Sturms stützte – ein entscheidendes Merkenzug für den Einsatz in Notsituationen, wenn Datenströme unterbrochen werden könnten.

Die Studie offenbarte auch eine tiefere Verbindung zwischen der Zugbahn eines Sturms und seiner Stärke. Während Wissenschaftler schon lange wissen, dass diese beiden Faktoren miteinander verwandt sind, bewies dieses neue Modell, dass die gleichzeitige Vorhersage von beidem – statt sie getrennt zu betrachten – zu signifikant besseren Ergebnissen führt. Die KI lernte, dass die Intensität eines Sturms stark von der spezifischen Umgebung abhängt, der er entlang seiner Bahn begegnet, wie etwa der Temperatur des Meerwassers oder der Stärke der Winde oberhalb des Sturms. Durch die gleichzeitige Vorhersage von Zugbahn und Stärke konnte das Modell die Informationen aus dem einen nutzen, um das andere zu verfeinern, was eine kohärentere und zuverlässigere Vorhersage schafft. Dieser Befund legt nahe, dass die Zukunft der Sturmvorhersage nicht im Bau größerer, komplexerer Modelle liegt, sondern im Entwurf smarterer Systeme, die die physikalischen Beziehungen zwischen verschiedenen Teilen des Wetters verstehen.

Die Auswirkungen dieser Arbeit gehen über bloße Zahlen auf einem Bildschirm hinaus. Indem sie hochwertige Ensemble-Vorhersagen auf Standard-Hardware zugänglich macht, könnte diese Technologie die Wettervorhersage demokratisieren und Regionen mit weniger Ressourcen Zugang zu demselben detaillierten Niveau der Wettervorhersage ermöglichen wie wohlhabenden Nationen. Die Fähigkeit, schnell mehrere, physikalisch konsistente Szenarien zu generieren, gibt Katastrophenschutzbehörden mehr Zeit, sich auf spezifische Bedrohungen vorzubereiten, sei es eine plötzliche Richtungsänderung oder eine rapide Zunahme der Windgeschwindigkeit. Die Forscher räumen ein, dass das Modell zwar für kurzfristige Vorhersagen hochwirksam ist, die Vorhersage von Stürmen mehrere Tage im Voraus jedoch aufgrund der inhärenten Chaos der Atmosphäre schwierig bleibt. Doch der Erfolg von Tianmu-TC deutet darauf hin, dass wir, indem wir künstliche Intelligenz in den fundamentalen Gesetzen der Physik verankern, Werkzeuge bauen können, die nicht nur schneller und kostengünstiger, sondern auch vertrauenswürdiger sind und somit einen neuen Weg eröffnen, Gemeinschaften vor der Wut tropischer Zyklone zu schützen.