Das KI-Wettervorhersagemodell von Google ist verdammt gut

GenCast, ein neues KI-Modell von Google DeepMind, ist genau genug, um mit herkömmlichen Wettervorhersagen zu konkurrieren. Laut einer kürzlich veröffentlichten Studie gelang es ihm, ein führendes Prognosemodell zu übertreffen, als es anhand von Daten aus dem Jahr 2019 getestet wurde.

KI wird die herkömmliche Vorhersage in absehbarer Zeit nicht ersetzen, könnte aber das Arsenal an Werkzeugen erweitern, mit denen das Wetter vorhergesagt und die Öffentlichkeit vor schweren Stürmen gewarnt wird. GenCast ist eine von mehreren KI-Wettervorhersagen Modelle entwickelt werden Das könnte zu genaueren Prognosen führen.

„Das Wetter beeinflusst grundsätzlich jeden Aspekt unseres Lebens … es ist auch eine der großen wissenschaftlichen Herausforderungen, das Wetter vorherzusagen“, sagt Ilan Price, leitender Forschungswissenschaftler bei DeepMind. „Google DeepMind hat die Mission, die KI zum Wohle der Menschheit voranzutreiben. Und ich denke, das ist ein wichtiger Weg, ein wichtiger Beitrag an dieser Front.“

Price und seine Kollegen testeten GenCast mit dem ENS-System, einem der weltweit führenden Vorhersagemodelle, das vom Europäischen Zentrum für mittelfristige Wettervorhersagen betrieben wird (ECMWF). Einer Studie zufolge übertraf GenCast ENS in 97,2 Prozent der Fälle Diese Woche in der Zeitschrift veröffentlicht Natur.

GenCast ist ein maschinell lernendes Wettervorhersagemodell, das auf Wetterdaten von 1979 bis 2018 trainiert wurde. Das Modell lernt, Muster in den vier Jahrzehnten historischer Daten zu erkennen und nutzt diese, um Vorhersagen darüber zu treffen, was in der Zukunft passieren könnte. Das unterscheidet sich stark von der Funktionsweise traditioneller Modelle wie ENS, die immer noch auf Supercomputer angewiesen sind, um komplexe Gleichungen zu lösen und die Physik der Atmosphäre zu simulieren. Sowohl GenCast als auch ENS produzieren Ensemblevorhersagendie eine Reihe möglicher Szenarien bieten.

Wenn es beispielsweise darum geht, den Weg eines tropischen Wirbelsturms vorherzusagen, konnte GenCast durchschnittlich weitere 12 Stunden im Voraus warnen. GenCast war im Allgemeinen besser in der Lage, die Folgen von Zyklonen, extremem Wetter und der Windkraftproduktion bis zu 15 Tage im Voraus vorherzusagen.

Eine Einschränkung besteht darin, dass GenCast sich selbst mit einer älteren Version von ENS getestet hat, die jetzt mit einer höheren Auflösung arbeitet. Die von Experten begutachtete Studie vergleicht die GenCast-Vorhersagen mit den ENS-Vorhersagen für 2019 und zeigt, wie nahe jedes Modell den realen Bedingungen in diesem Jahr kam. Laut Matt Chantry, Koordinator für maschinelles Lernen des ECMWF, hat sich das ENS-System seit 2019 erheblich verbessert. Daher ist es schwierig zu sagen, wie gut GenCast heute gegen ENS abschneiden könnte.

Natürlich ist die Auflösung nicht der einzige wichtige Faktor, wenn es darum geht, aussagekräftige Vorhersagen zu treffen. ENS arbeitete bereits 2019 mit einer etwas höheren Auflösung als GenCast und GenCast schaffte es immer noch, diese zu übertreffen. DeepMind gibt an, ähnliche Studien mit Daten aus den Jahren 2020 bis 2022 durchgeführt und ähnliche Ergebnisse gefunden zu haben, obwohl diese nicht einer Peer-Review unterzogen wurden. Es fehlten jedoch die Daten, um Vergleiche für das Jahr 2023 anzustellen, als ENS mit einer deutlich höheren Auflösung zu laufen begann.

GenCast unterteilt die Welt in ein Gitter und arbeitet mit einer Auflösung von 0,25 Grad – das bedeutet, dass jedes Quadrat in diesem Gitter einem Viertelgrad Breitengrad und einem Viertelgrad Längengrad entspricht. Im Vergleich dazu verwendete ENS im Jahr 2019 eine Auflösung von 0,2 Grad und liegt jetzt bei 0,1 Grad.

Dennoch stellt die Entwicklung von GenCast „einen bedeutenden Meilenstein in der Entwicklung der Wettervorhersage dar“, sagte Chantry in einer per E-Mail versandten Erklärung. Neben ENS betreibt das ECMWF nach eigenen Angaben auch eine eigene Version von a maschinelles Lernsystem. Chantry sagt, es sei „etwas von GenCast inspiriert“.

Geschwindigkeit ist für GenCast ein Vorteil. Mit einer einzigen Google Cloud TPU v5 kann eine 15-Tage-Prognose in nur acht Minuten erstellt werden. Physikbasierte Modelle wie ENS benötigen möglicherweise mehrere Stunden, um dasselbe zu tun. GenCast umgeht alle Gleichungen, die ENS lösen muss, weshalb die Erstellung einer Prognose weniger Zeit und Rechenleistung erfordert.

„Rechnerisch gesehen ist die Durchführung traditioneller Prognosen um Größenordnungen teurer als ein Modell wie Gencast“, sagt Price.

Diese Effizienz könnte einige der Bedenken hinsichtlich der Umweltauswirkungen zerstreuen energiehungrige KI-Rechenzentrendie es bereits getan haben hat dazu beigetragen, dass Googles Treibhausgasemissionen in den letzten Jahren gestiegen sind. Aber es ist schwer herauszufinden, wie GenCast im Hinblick auf Nachhaltigkeit im Vergleich zu physikbasierten Modellen abschneidet, ohne zu wissen, wie viel Energie für das Training des maschinellen Lernmodells aufgewendet wird.

Es gibt noch Verbesserungen, die GenCast vornehmen kann, einschließlich der möglichen Skalierung auf eine höhere Auflösung. Darüber hinaus erstellt GenCast Vorhersagen in 12-Stunden-Intervallen, im Vergleich zu herkömmlichen Modellen, die dies normalerweise in kürzeren Intervallen tun. Das kann einen Unterschied darin machen, wie diese Prognosen in der realen Welt genutzt werden können (z. B. um abzuschätzen, wie viel Windkraft verfügbar sein wird).

„Man möchte wissen, was der Wind den ganzen Tag über macht, und nicht nur um 6 und 18 Uhr“, sagt Stephen Mullens, Assistenzprofessor für Meteorologie an der University of Florida, der nicht an der GenCast-Forschung beteiligt war.

Obwohl das Interesse daran wächst, wie KI zur Verbesserung von Prognosen eingesetzt werden kann, muss sie sich noch bewähren. „Die Leute schauen es sich an. Ich glaube nicht, dass die meteorologische Gemeinschaft als Ganzes davon gekauft und verkauft wird“, sagt Mullens. „Wir sind ausgebildete Wissenschaftler, die in physikalischen Begriffen denken … und weil KI das im Grunde nicht ist, gibt es immer noch ein Element, bei dem wir irgendwie den Kopf verdrehen, ist das gut?“ Und warum?“

Prognostiker können GenCast selbst ausprobieren; DeepMind hat das veröffentlicht Code für sein Open-Source-Modell. Price sagt, er sieht, dass GenCast und weitere verbesserte KI-Modelle neben traditionellen Modellen in der realen Welt eingesetzt werden. „Sobald diese Modelle in die Hände von Praktikern gelangen, wird das Vertrauen weiter gestärkt“, sagt Price. „Wir wollen wirklich, dass dies eine weitreichende soziale Wirkung hat.“