Dr. Haojin Yang, Wissenschaftler vom Hasso-Plattner-Institut, stellte eine energieeffiziente und leistungsfähige Methode vor, wie Künstliche Intelligenz (KI) helfen soll, verbesserte Vorhersagen für Extremwetterereignisse zu liefern.
Quelle: prosieben.de, Clarissa Yigit, 07.03.2023
Künstliche Intelligenz (KI) soll helfen, verbesserte Vorhersagen für Extremwetterereignisse – wie beispielsweise Starkregen und Wirbelstürme – zu liefern. Besonders energieeffiziente und leistungsfähige Methoden stellte der Wissenschaftler Dr. Haojin Yang vom Hasso-Plattner-Institut (HPI) im Clean-IT-Forum vor.
Bilddaten aus der Troposphäre untersucht
Mit „Deep Learning“ wertete Yang zusammen mit Forscher:innen der Technischen Universität München (TUM) und des Deutschen Geoforschungszentrums (GFZ) in Potsdam unter anderem Bilddaten von rund 900 Messstellen in Europa aus, die Satelliten in den vergangenen 22 Jahren geliefert haben. Wie die Wissenschaftler:innen anlässlich der monatlichen Videokonferenz „openXchange“ berichteten, stammten die analysierten Bilddaten „aus der Troposphäre, also der untersten Schicht der Erdatmosphäre, in der sich der Großteil des Wetters abspielt.“ Aber auch Wetterdaten, die der Deutsche Wetterdienst regelmäßig und in kurzen Zeitabständen von seinen Messstellen an der Erdoberfläche bereitstellt, würden mit einbezogen, so Yang.
Neuer Algorithmus, der schneller und stromsparender arbeitet
Yang, der im HPI-Fachgebiet „Internet-Technologien und-Systeme“ die Forschungsgruppe „Multimedia and Machine Learning“ (MML) leitet, betonte: „Uns ist es nun gelungen, durch neuartiges Deep Learning einen Algorithmus zu entwickeln, der das Berechnen der riesigen Datenmengen gegenüber bisherigen Wettermodellen wesentlich beschleunigt und dabei noch enorm viel Strom spart.“ Insbesondere bei extrem starkem Wind oder Regen könne die Bevölkerung früher gewarnt werden.
Für das Deep Learning würden sogenannte binäre neuronale Netze eingesetzt werden, erklärt HPI-Geschäftsführer Prof. Christoph Meinel. Diese würden mit Daten im 1-Bit-Format (0 und 1) arbeiten statt mit 32 Bit, was wiederum für tausendfach geringeren Energieverbrauch der entsprechenden Hardware sorge. Bisher habe das Training von Deep-Learning-Modellen viel Storm verbrauch, ergänzt Yang. Der Energieverbrauch für Künstliche Intelligenz verdoppele sich daher derzeit alle dreieinhalb Monate.
Die Verwendung energieeffizienter Algorithmen würde bisher noch zu einem Verlust an Genauigkeit bei den Ergebnissen führen, beschreibt Yang. Dennoch würde die Technologie des Instituts „BNext“ eine Genauigkeit von mehr als 80 Prozent erreichen und sei damit allen konkurrierenden Ansätzen, einschließlich Googles PokeBNN, überlegen.
Nächste Schritte
Für die Zukunft erhoffen sich die Wissenschaftler:innen, dass das Potenzial von Low-Bit-Netzen für öffentlich zugängliche Wetterprognosen voll ausgeschöpft werden kann. Daher gehe es nun um die „maßgeschneiderte Optimierung“ der neuartigen Wettervorhersage-Technologie, wie beispielsweise eine gute Balance zwischen Genauigkeit und Energieverbrauch.