Extremwetter: Künstliche Intelligenz verbessert Vorhersagen
Hasso-Plattner-Institut entwickelt Deep Learning-Algorithmus für schnellere Wettermodellierung bei geringerem Stromverbrauch.
Extremwetter-Ereignisse wie Starkregen und Wirbelstürme sollen künftig mit Hilfe von KI besser vorhergesagt werden. Besonders energieeffiziente und leistungsfähige Methoden dafür stellte das Potsdamer Hasso-Plattner-Institut (HPI) vor. Zusammen mit Forschenden der Technischen Universität München (TUM) und des Deutschen GeoForschungsZentrums (GFZ) in Potsdam werten die Wissenschaftler unter anderem Bilddaten von rund 900 Messstellen in Europa aus, die Satelliten in den vergangenen 22 Jahren geliefert haben. Zum Einsatz kommt dabei “Deep Learning”.
Deep Learning-Algorithmus beschleunigt Berechnungen
“Die analysierten Bilddaten stammen aus der Troposphäre, also der untersten Schicht der Erdatmosphäre, in der sich der Großteil des Wetters abspielt”, berichtete der HPI-Wissenschaftler Haojin Yang. Die Forschenden beziehen auch Wetterdaten ein, die der Deutsche Wetterdienst regelmäßig und in kurzen Zeitabständen von seinen Messstellen an der Erdoberfläche bereitstellt. “Uns ist es nun gelungen, durch neuartiges v und dabei noch enorm viel Strom spart”, sagte Yang, der im HPI-Fachgebiet “Internet-Technologien und -Systeme” die Forschungsgruppe Multimedia and Machine Learning (MML) leitet. Vor allem bei extrem starkem Wind oder Regen könne der Bevölkerung in betroffenen Gebieten dadurch früher und gezielter geraten werden, sich zu schützen.
Der Wissenschaftler setzt für das Deep Learning sogenannte binäre neuronale Netze ein. Diese arbeiten mit Daten im 1-Bit-Format (0 und 1) statt mit 32 Bit. Das sorge für tausendfach geringeren Energieverbrauch der entsprechenden Hardware. Beim maschinellen Lernen verbraucht das Training von Deep-Learning-Modellen bisher sehr viel Strom. So verdoppele sich der Energieverbrauch für Künstliche Intelligenz derzeit alle dreieinhalb Monate, sagte der HPI-Wissenschaftler.
Genauigkeit von mehr als 80 Prozent
Yang räumte ein, dass die Verwendung energieeffizienter Algorithmen noch zu einem Verlust an Genauigkeit bei den Ergebnissen führt. “Unsere Technologie BNext mit ihrem binären neuronalen Netz hat jedoch bei ersten Einsätzen bewiesen, dass sie eine Genauigkeit von mehr als 80 Prozent erreicht. Sie ist damit allen konkurrierenden Ansätzen, einschließlich Googles PokeBNN, überlegen.”
In den weiteren Forschungsarbeiten des “EKAPEx”-Projekts geht es nun um die “maßgeschneiderte Optimierung” der neuartigen Wettervorhersage-Technologie. So soll beispielsweise eine gute Balance zwischen Genauigkeit und Energieverbrauch gefunden werden. Ziel ist es, das Potenzial von Low-Bit-Netzen für öffentlich zugängliche Wetterprognosen voll auszuschöpfen.
An dem vom Bundesministerium für Umwelt, Naturschutz, Bau und Reaktorsicherheit (BMUV) geförderten Forschungsprojekt EKAPEx sind das Deutsche GeoForschungsZentrum (GFZ) und das Hasso-Plattner-Institut (HPI), beide mit Sitz in Potsdam, sowie die Technische Universität München (TUM) beteiligt. Ziel des Projekts ist es, neue energieeffiziente KI-Algorithmen für innovative Vorhersagemethoden von Extremwetterereignissen in Deutschland einzusetzen.
