(C) unter Verwendung eines Motivs von Andrei Suslov / 123RF.com

Wetter- und Klimaprognosen werden zunehmend mit riesigen KI-Modellen berechnet. Eine neue Studie des MIT zeigt nun aber: einfachere, physikalische Modelle können genauere Vorhersagen treffen als große KI-Modelle.

Die Forscher sehen ihre Arbeit als abschreckendes Beispiel für die Risiken des Einsatzes großer KI-Modelle in der Klimawissenschaft. Während Deep-Learning-Modelle in Bereichen wie der natürlichen Sprache unglaubliche Erfolge erzielt haben, gibt es in der Klimawissenschaft eine Reihe bewährter physikalischer Gesetze und Näherungen und die Herausforderung besteht darin, diese in KI-Modelle einzubauen.

Wissenschaftler entwickeln oft Klima-Emulatoren, einfachere Annäherungen an ein modernes Klimamodell, die schneller und leichter zugänglich sind. Ein politischer Entscheidungsträger könnte einen Klima-Emulator verwenden, um zu sehen, wie sich alternative Annahmen zu Treibhausgasemissionen auf künftige Temperaturen auswirken würden, und so bei der Entwicklung von Vorschriften helfen.

Allerdings ist ein Emulator nicht sehr nützlich, wenn er ungenaue Vorhersagen über die lokalen Auswirkungen des Klimawandels macht. Während Deep Learning für Emulationen immer beliebter wird, haben nur wenige Studien untersucht, ob diese Modelle besser abschneiden als bewährte Ansätze.

Genau eine solche Studie legt nun aber das MIT vor. Sie verglichen eine traditionelle Technik namens Linear Pattern Scaling (LPS) mit einem Deep-Learning-Modell anhand eines gemeinsamen Benchmark-Datensatzes zur Bewertung von Klimaemulatoren. Die Ergebnisse zeigen, dass LPS bei der Vorhersage fast aller getesteten Parameter, einschließlich Temperatur und Niederschlag, besser abschneidet als Deep-Learning-Modelle.

“Große KI-Methoden sind für Wissenschaftler sehr attraktiv, aber sie lösen selten ein völlig neues Problem. Daher ist es notwendig, zunächst eine bestehende Lösung zu implementieren, um herauszufinden, ob der komplexe Ansatz des maschinellen Lernens diese tatsächlich verbessert”, sagt der Hauptautor der Studie, Björn Lütjens, ein ehemaliger EAPS-Postdoktorand, der jetzt als Forscher bei IBM Research tätig ist.