„Die Wettervorhersage ist eines der anspruchsvollsten Probleme, an denen die Menschheit seit langem arbeitet. Und wenn man sich anschaut, was in den letzten Jahren mit dem Klimawandel passiert ist, ist das ein unglaublich wichtiges Problem“, sagt Pushmeet Kohli, Vizepräsident für Forschung bei Google DeepMind.
Traditionell nutzen Meteorologen umfangreiche Computersimulationen, um Wettervorhersagen zu treffen. Ihre Ausführung ist sehr energieintensiv und zeitaufwändig, da die Simulationen nacheinander viele physikalische Gleichungen und verschiedene Wettervariablen wie Temperatur, Niederschlag, Druck, Wind, Luftfeuchtigkeit und Bewölkung berücksichtigen.
GraphCast nutzt maschinelles Lernen, um diese Berechnungen in weniger als einer Minute durchzuführen. Anstatt die physikalischen Gleichungen zu verwenden, stützt es seine Vorhersagen auf historische Wetterdaten aus vier Jahrzehnten. GraphCast verwendet grafische neuronale Netze, die die Erdoberfläche in mehr als eine Million Gitterpunkte abbilden. An jedem Gitterpunkt sagt das Modell die Temperatur, die Windgeschwindigkeit und -richtung sowie den mittleren Meeresspiegeldruck und andere Bedingungen wie die Luftfeuchtigkeit voraus. Das neuronale Netzwerk ist dann in der Lage, Muster zu finden und Rückschlüsse darauf zu ziehen, was als nächstes für jeden dieser Datenpunkte passieren wird.
Im vergangenen Jahr hat die Wettervorhersage eine Revolution erlebt, da Modelle wie GraphCast, Huaweis Pangu-Weather und Nvidias FourcastNet Meteorologen dazu veranlasst haben, die Rolle zu überdenken, die KI bei der Wettervorhersage spielen kann. GraphCast verbessert die Leistung anderer Konkurrenzmodelle wie Pangu-Weather und ist in der Lage, mehr Wettervariablen vorherzusagen, sagt Lam. Das ECMWF nutzt es bereits.
Als Google DeepMind im vergangenen Dezember zum ersten Mal GraphCast vorstellte, fühlte es sich wie Weihnachten an, sagt Peter Dueben, Leiter der Erdsystemmodellierung am ECMWF, der nicht an der Forschung beteiligt war.
„Es hat sich gezeigt, dass diese Modelle so gut sind, dass wir nicht mehr um sie herumkommen“, sagt er.
„GraphCast ist ein „Abrechnungsmoment“ für die Wettervorhersage, weil es zeigt, dass Vorhersagen anhand historischer Daten getroffen werden können, sagt Aditya Grover, Assistenzprofessorin für Informatik an der UCLA, die ClimaX entwickelt hat, ein Grundlagenmodell, das es Forschern ermöglicht, verschiedene Aufgaben in Bezug auf Wettervorhersagen zu erledigen zur Modellierung des Wetters und Klimas der Erde.