// SCINEXX — SPAZIO & SCIENZA
KI erfasst Jahrtausend-Hitzewellen mit hundertfach weniger Rechenaufwand
Selten, aber folgenschwer: Hitzewellen mit Wiederkehrzeiten von rund tausend Jahren sind mit klassischen Klimasimulationen nur extrem aufwendig zu erfassen. Ein neues Hybridverfahren aus KI-Prognosen und physikalischem Klimamodell kann solche Extremereignisse mit nur etwa einem Hundertstel des Rechenaufwands charakterisieren. Der bisherige Test ist allerdings ein Machbarkeitsnachweis in einem stationären Modellklima ohne Klimawandel.
Chicago (U.S.A.). Je seltener ein Wetterextrem ist, desto schwieriger lässt sich seine Wahrscheinlichkeit bestimmen. Beobachtungsreihen enthalten von Ereignissen, die statistisch nur einmal in Jahrhunderten oder Jahrtausenden auftreten, naturgemäß nur sehr wenige Beispiele. Physikalische Klimamodelle können solche Extreme zwar erzeugen, müssten dafür aber über enorme Zeiträume gerechnet werden.
Forscher der University of Chicago (UChicago) um Prof. Dorian S. Abbot haben nun gemeinsam mit Kollegen aus mehreren Ländern ein Hybridverfahren entwickelt, das diesen Rechenaufwand deutlich senken soll. AI+RES verbindet schnelle Wettervorhersagen eines KI-Emulators mit einem physikalischen Klimamodell und einem Verfahren zur gezielten Stichprobennahme seltener Ereignisse, dem Rare Event Sampling (RES).
Beim klassischen RES laufen viele leicht unterschiedliche Modelltrajektorien parallel. In regelmäßigen Abständen werden aussichtsreiche Verläufe vervielfältigt, andere dagegen verworfen. Entscheidend ist dabei eine Bewertungsfunktion, die früh erkennen muss, welche Trajektorie später tatsächlich in ein extremes Ereignis münden könnte, was gerade bei rasch entstehenden Hitzewellen schwierig ist.
AI+RES nutzt für diese Vorauswahl einen KI-Wetteremulator, der für jeden Zwischenzustand ein Ensemble schneller Prognosen bis zum Zielzeitpunkt berechnet. Aus diesen Vorhersagen leitet das Verfahren ab, welche physikalischen Modellläufe weiterverfolgt werden sollten. Die eigentlichen Extremereignisse und ihre Wahrscheinlichkeiten stammen damit weiterhin aus dem physikalischen Modell, während die KI vor allem die Suche lenkt.
„Die Stärke dieser Methode liegt darin, dass sie die Vorteile von KI und traditioneller Physik verbindet und besonders für Extremereignisse wirksam ist, die am schwersten zu simulieren sind und die größten gesellschaftlichen Folgen haben“, erklärt Pedram Hassanzadeh von der University of Chicago (UChicago).
Für den Machbarkeitsnachweis trainierte das Team den Emulator mit Daten des vergleichsweise einfachen globalen Klimamodells PlaSim und ließ AI+RES anschließend nach seltenen siebentägigen Hitzewellen über Frankreich und dem Mittleren Westen der USA suchen. Dadurch sollte sich prüfen lassen, ob die KI die physikalische Simulation zuverlässig auf die entscheidenden, aber seltenen Pfade lenkt.
Als Referenz dienten 50.000 direkte PlaSim-Simulationen. AI+RES erzeugte für den Vergleich mit nur 400 gezielt geführten Läufen nahezu dieselben Häufigkeitskurven für extreme Hitze. Insgesamt beziffern die Forscher den Rechenvorteil je nach Auswertung auf Größenordnungen bis etwa Faktor 100. Auch Hitzewellen mit statistischen Wiederkehrzeiten von rund tausend Jahren ließen sich so erfassen.
„Wenn man das iterativ macht, erhält man schließlich eine ganze Reihe von Simulationen, die tatsächlich das seltene Extremereignis erfassen, an dem man interessiert ist. Je mehr davon man erhält, desto besser lässt sich die Wahrscheinlichkeit dieses Ereignisses abschätzen, und das gibt letztlich deutlich mehr Sicherheit“, sagt Alexander Wikner von der University of Chicago (UChicago).
Das neue Verfahren schnitt zudem besser ab als eine klassische RES-Variante, die nur den aktuellen Zustand als Wegweiser nutzt. Bei den intensivsten Hitzewellen konnte diese Standardmethode die relevanten Ereignisse teils gar nicht erzeugen. Der KI-Emulator liefert dagegen eine vorausschauende Bewertungsfunktion und kann dadurch auch Trajektorien erkennen, die erst Tage später in ein Extrem münden.