Skillful seasonal forecasts with a freely evolving AI weather model
Dieses Papier stellt den Functional Graph Transformer (FGT) vor, ein schnelles, probabilistisches KI-Modell, das durch die Übertreffung der Klimatologie in den meisten Fällen und das Erreichen der Genauigkeit des hochmodernen SEAS5-Systems bei gleichzeitig um Größenordnungen schnellerer Ausführung geschickte, frei evolvierende saisonale Vorhersagen ermöglicht.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, das Wetter nicht nur für morgen, sondern für die nächsten sechs Monate vorherzusagen. Es ist ein wenig so, als würde man versuchen, die Handlung eines Films zu erraten, der noch nicht gedreht wurde, bei dem die Schauspieler (Wind, Regen und Meeresströmungen) wild improvisieren. Wissenschaftler wissen schon lange, dass die Atmosphäre chaotisch ist; eine winzige Veränderung heute kann zu einem völlig anderen Sturm in der nächsten Woche führen. Aus diesem Grund sind traditionelle Wettermodelle wie Supercomputer, die eine massive, detaillierte Physik-Simulation des gesamten Planeten ausführen. Sie sind unglaublich leistungsstark, aber auch unglaublich schwerfällig und benötigen enorme Mengen an Energie und Zeit, um selbst eine einzige Vorhersage zu berechnen.
Es gibt jedoch einen neueren, schnelleren Ansatz unter Verwendung von Künstlicher Intelligenz (KI). Betrachten Sie KI-Wettermodelle wie einen Studenten, der jeden Wetterbericht der letzten 70 Jahre gelesen hat und gelernt hat, Muster zu erkennen. Während diese KI-Studenten groß darin sind, die nächsten Tage vorherzusagen, haben sie oft Schwierigkeiten, ihre Geschichte konsistent zu halten, wenn sie gebeten werden, Monate in die Zukunft zu blicken. Sie neigen dazu, die „großen Zusammenhänge“ zwischen Ozean, Land und Himmel zu vergessen, oder sie geraten in eine Schleife, in der sich das Wetter einfach ständig wiederholt. Die große Frage in der Wissenschaft läuft derzeit darauf hinaus: Können wir eine KI bauen, die nicht nur den nächsten Tag errät, sondern tatsächlich über Monate hinweg „innerhalb“ des Wettersystems existieren kann, indem sie sich natürlich entwickelt, so wie die reale Welt es tut, ohne dass ein Mensch ständig ihre Geschichte korrigieren muss?
Genau das wollten die Forscher hinter dieser Arbeit erreichen. Sie stellten ein neues KI-System namens Functional Graph Transformer (FGT) vor. Im Gegensatz zu älteren KI-Modellen, denen gesagt wurde, wie hoch die Ozeantemperatur sei (als würde man ihnen ein Skript geben), ist der FGT „frei evolvierend“. Das bedeutet, er sagt die Atmosphäre, die Meeresoberflächentemperatur, das Meereis und die Bodenfeuchtigkeit gleichzeitig voraus, Tag für Tag, basierend ausschließlich auf seinen eigenen vorherigen Vorhersagen. Es ist, als würde man einem Videospiel-Charakter beibringen, das Spiel zu spielen, ohne einen Cheat-Code zu verwenden – man lässt ihn selbst herausfinden, wie der Ozean und die Atmosphäre miteinander kommunizieren.
Die Ergebnisse sind sehr vielversprechend. Das Team testete sein Modell, indem es es für sechs Monate vorwärts laufen ließ und es mit dem „Goldstandard“ der Wettervorhersage verglich, einem massiven System namens SEAS5. Sie fanden heraus, dass der FGT überraschend gut abschnitt. In unglaublichen 96 % der verschiedenen gemessenen Werte (von Niederschlag bis Windgeschwindigkeit über verschiedene Monate hinweg) war der FGT besser als bloßes Raten basierend auf historischen Durchschnittswerten. Noch beeindruckender: Im direkten Vergleich mit dem schwerfälligen SEAS5-System schaffte es der FGT, in 77 % der Fälle mindestens 80 % der Leistungsfähigkeit beizubehalten. Und das Beste daran? Er erledigte dies tausendfach schneller und benötigte nur etwa 19 Minuten auf einem einzigen leistungsstarken Computerchip, um eine sechsmonatige weltweite Vorhersage zu generieren, während das traditionelle System Tage an Supercomputer-Zeit beanspruchen würde.
Das Paper entdeckte auch einige interessante Eigenheiten darüber, wie die KI lernt. Wenn man die KI beispielsweise dazu zwingt, an den Ausgangsbedingungen des Ozeans und des Bodens „festzuhalten“ (eine Methode namens „Persistenz“), verschlechtert sich ihre Fähigkeit, Regen vorherzusagen, tatsächlich. Aber wenn man der KI erlaubt, diese Oberflächenbedingungen verändern und natürlich evolvieren zu lassen, werden die Regenprognosen viel besser. Das Modell zeigte zudem, dass es die Zeitpunkte großer Klimaerignisse wie El Niño (eine Erwärmung des Pazifiks) recht gut vorhersagen kann, auch wenn es die Intensität dieser Ereignisse manchmal unterschätzt. Obwohl es noch nicht perfekt ist – es kämpft noch etwas mit der exakten Vorhersage der Stärke bestimmter Ozeanmuster im Vergleich zu den traditionellen Modellen – beweist es, dass eine KI lernen kann, eine kohärente, mehrmonatige Wettergeschichte zu erzählen, ohne dass ein Mensch ihr ständig die Hand halten muss. Dies deutet darauf hin, dass wir in Zukunft vielleicht keine separaten, langsamen Modelle für kurzfristiges Wetter und langfristige Saisons benötigen; eine einzige kluge, schnelle KI könnte eventuell den gesamten Zeitrahmen abdecken.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.