Why Deterministic AI Weather Models Fail at Extremes and Physical Conservation: From the Perspective of Probabilistic Mean Field

Stellen Sie sich die Atmosphäre und den Ozean wie eine riesige, chaotische Tanzfläche vor. Die Luft und das Wasser wirbeln, kollidieren und drehen sich ständig in komplexen Mustern, die strengen, unsichtbaren physikalischen Regeln folgen. Jahrzehntelang haben Wissenschaftler versucht vorherzusagen, wohin dieser Tanz als Nächstes führt, indem sie massive Supercomputer einsetzten, die diese physikalischen Gleichungen Schritt für Schritt lösen. Doch nun gibt es einen neuen Akteur auf der Tanzfläche: Künstliche Intelligenz (KI). Diese KI-Modelle sind wie superschnelle Tänzer, die Millionen von Stunden vergangener Wettervideos beobachtet haben. Sie können den nächsten Schritt in einem Bruchteil einer Sekunde vorhersagen und dabei nur einen winzigen Bruchteil der Energie heranziehen, die herkömmliche Computer benötigen. Das ist eine große Sache, denn es könnte uns helfen, Menschen vor Stürmen zu warnen, erneuerbare Energien zu planen und Überschwemmungen viel schneller als bisher zu bewältigen.

Es gibt jedoch einen Haken. Obwohl diese KI-Tänzer unglaublich schnell sind und oft den „Durchschnittsschritt“ richtig treffen, wirken sie manchmal etwas zu glatt. Sie neigen dazu, die wilden, verrückten Drehungen (Extremwetter) zu übersehen und stolpern gelegentlich über die grundlegenden Regeln des Tanzes (physikalische Gesetze wie die Energieerhaltung). Wissenschaftler rätseln, warum diese superintelligenten KI-Modelle dazu neigen, die rauen Kanten der Realität zu glätten. Liegt es daran, dass sie nicht genug Extremwetter gesehen haben? Ist es ein Fehler in der Mathematik? Diese Arbeit taucht tief in dieses Geheimnis ein und schlägt eine vereinheitlichte Theorie vor, die erklärt, warum sich diese Modelle so verhalten, wie sie es tun, indem sie das Konzept des „probabilistischen Mittelfeldes“ nutzt, um aufzuzeigen, dass genau die Methode, die sie präzise macht, der Grund für ihr Scheitern an den Extremen sein könnte.

Die „Durchschnitts-Falle“: Warum KI-Wettermodelle die Realität glätten

Was haben die Forscher des Second Institute of Oceanography und der Shanghai Jiao Tong University also tatsächlich herausgefunden? Sie entdeckten, dass das Problem nicht nur ein Mangel an Daten oder ein schlechter Algorithmus ist; es ist eine grundlegende mathematische Konsequenz dessen, wie die meisten aktuellen KI-Wettermodelle lernen.

Stellen Sie es sich so vor: Stellen Sie sich vor, Sie versuchen, den nächsten Schritt eines Tänzers basierend auf seinen vergangenen Bewegungen zu erraten. Wenn Sie darauf trainiert sind, Ihren „Durchschnittsfehler“ zu minimieren (ein mathematisches Konzept namens mittlerer quadratischer Fehler oder RMSE), beginnt Ihr Gehirn ganz natürlich nach dem Durchschnitt aller möglichen nächsten Bewegungen zu suchen. Wenn der Tänzer entweder eine Drehung nach links, eine Drehung nach rechts oder einen Sprung machen könnte und Sie im Durchschnitt „richtig“ liegen wollen, könnten Sie eine seltsame, halb gedrehte, halb springende Bewegung vorhersagen, die in der Realität nie stattfindet. Sie haben das mathematische Zentrum gefunden, aber Sie haben die Realität des Tanzes verloren.

Die Autoren argumenten, dass aktuelle KI-Wettermodelle genau das tun. Indem sie darauf trainiert werden, den durchschnittlichen Fehler zu minimieren, lehren sie die KI, die bedingte Erwartung vorherzusagen – im Wesentlichen den statistischen Durchschnitt aller möglichen Zukünfte. In der realen Welt ist das Wetter ein „nichtlineares“ System, was bedeutet, dass man, wenn man zwei gültige Wetterzustände zusammennimmt und mittelt, das Ergebnis normalerweise kein gültiger Wetterzustand ist. Es ist wie das Mischen von heißem und kaltem Wasser, um „lauwarmes“ Wasser zu erhalten; das ist in Ordnung. Aber wenn man einen Hurrikan und einen ruhigen Tag mischt, erhält man keinen „mittleren“ Sturm, der den Gesetzen der Physik folgt; man erhält ein mathematisches Gespenst, das gegen die Regeln der Natur verstößt.

Die Experimente: Von einfachen Würfeln zu wirbelnden Fluiden

Um dies zu beweisen, führten die Teams zwei kluge Experimente durch.

Zuerst erschufen sie eine einfache „Spielzeugwelt“ mithilfe einer Markov-Kette (denken Sie an ein Brettspiel, bei dem Ihr nächster Zug nur davon abhängt, wo Sie sich gerade befinden). Sie trainierten zwei KI-„Spieler“: einen, der versuchte, die exakte nächste Zahl zu erraten (Fehler minimieren), und einen, der versuchte, die vollständige Liste der Wahrscheinlichkeiten für jede mögliche nächste Zahl zu erraten.

• Das Ergebnis: Beide Spieler erreichten fast perfekt den „Durchschnittswert“. Aber der fehlerminimierende Spieler war schrecklich darin, die Breite der Möglichkeiten zu erfassen. Er kollabierte alle komplexen Möglichkeiten zu einer einzigen, sicheren, langweiligen Vorhersage. Es war wie ein Schüler, der den Durchschnitt der Testergebnisse auswendig gelernt hat, aber nicht sagen konnte, was die eigentlichen Fragen waren. Die Arbeit zeigt, dass diese „Durchschnitts“-Vorhersage oft an einem Punkt landet, der nicht einmal ein legaler Zustand im Spiel ist.

Zweitens gingen sie zu einer realistischeren Simulation eines wirbelnden Fluids (der Kelvin–Helmholtz-Instabilität) über, die simuliert, wie Luft und Wasser in der Atmosphäre sich vermischen. Sie verglichen ein Standard-KI-Modell (trainiert zur Fehlerminimierung) mit einem „Diffusionsmodell“ (einer Art von KI, die lernt, eine ganze Bandbreite möglicher Zukünfte zu generieren, wie ein kreativer Künstler).

• Das Ergebnis: Das Standard-KI-Modell erzeugte eine Vorhersage, die unglaublich glatt aussah. Es hatte auf dem Papier einen etwas niedrigeren Fehlerwert, aber wenn man genau hinsah, hatte es alle winzigen, turbulenten Wirbel und scharfen Kanten geglättet, die das Wetter real machen. Es war wie ein Foto, das stark weichgezeichnet wurde, um Rauschen zu entfernen.
• Das Diffusionsmodell hingegen generierte eine ganze Familie möglicher Zukünfte. Während der Durchschnitt dieser Zukünfte genauso glatt aussah wie das Standard-KI-Modell, waren die einzelnen Stichproben scharf, detailliert und behielten die winzigen Wirbel und extremen Gradienten bei.

Die „überhebliche“ KI

Die Arbeit legt nahe, dass das Kernproblem die Entropie oder Information ist. Echtes Wetter ist chaotisch, unsicher und voller Möglichkeiten (hohe Entropie). Ein Standard-KI-Modell, das Ihnen nur eine einzige „beste Vermutung“ liefert, sagt im Grunde: „Ich bin mir zu 100 % sicher, dass dies passieren wird.“ Das ist Überheblichkeit (Overconfidence). Es ist wie ein Wettervorhersager, der sagt: „Es wird exakt um 14:03 Uhr regnen“, während es in Wirklichkeit jederzeit zwischen 13:00 und 16:00 Uhr regnen könnte.

Da die KI in ihrer einzelnen, glatten Durchschnittsvorhersage so selbstbewusst ist, versagt sie bei der Vorhersage von Extremen. Wenn ein Sturm ein 100 mph schwerer Hurrikan oder ein 50 mph starker Orkan sein wird, könnte die KI einen sicheren 75 mph Wind vorhersagen, was zwar der Durchschnitt ist, aber eine Katastrophe für jeden darstellt, der sich auf das Schlimmste vorbereiten will. Darüber hinaus bricht dieser „Durchschnittszustand“, da er eine mathematische Mischung verschiedener physikalischer Realitäten ist, oft die Gesetze der Physik, indem er beispielsweise Energie oder Masse nicht konserviert.

Was dies für die Zukunft bedeutet

Die Autoren kommen zu dem Schluss, dass die Lösung nicht einfach darin besteht, die Trainingsdaten anzupassen oder die Verlustfunktion leicht zu verändern. Das Problem ist, dass deterministische Modelle (die eine einzige Antwort liefern) für eine chaotische, probabilistische Welt wie unser Wetter grundlegend ungeeignet sind.

Anstatt die KI zu fragen: „Was ist das wahrscheinlichste Wetter morgen?“, sollten wir sie fragen: „Was sind alle möglichen Wetterlagen morgen, und wie wahrscheinlich sind sie?“ Die Arbeit weist auf generative Modelle (wie Diffusionsmodelle) als die Zukunft hin. Diese Modelle raten nicht nur eine Zahl; sie ziehen Stichproben aus einer Verteilung und erschaffen so einen Satz möglicher Zukünfte, der die wahre Unsicherheit und Komplexität der Atmosphäre einfängt.

Kurz gesagt deutet die Arbeit darauf hin, dass die KI, um die Wettervorhersage wirklich zu meischen, aufhören muss, ein perfekter „Durchschnitts-Rater“ zu sein, und statfangen muss, wie ein kreatives Ensemble zu agieren, das eine reiche Vielfalt an realistischen, physikalisch konsistenten Möglichkeiten generiert. Dieser Wandel könnte der Schlüssel dazu sein, die KI endlich dazu zu bringen, die Extremereignisse und physikalischen Gesetze zu bewältigen, die sie bisher zurückgehalten haben.