Extremwettererreignisse wie Starkregen und Wirbelstürme sollen künftig mit Hilfe Künstlicher Intelligenz (KI) besser vorhergesagt werden. Besonders energieeffiziente und leistungsfähige Methoden dafür stellte diese Woche der Informatikwissenschaftler Dr. Haojin Yang vom Potsdamer Hasso-Plattner-Institut (HPI) vor.
Zusammen mit Forschenden der Technischen Universität München (TUM) und des Deutschen GeoForschungsZentrums (GFZ) in Potsdam wertet Yang unter anderem Bilddaten von rund 900 Messstellen in Europa aus, die Satelliten in den vergangenen 22 Jahren geliefert haben. Zum Einsatz kommt dabei sogenanntes "Deep Learning". "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 im Rahmen der monatlichen Videokonferenz "openXchange". Die öffentliche Veranstaltung fand im Rahmen des Clean-IT-Forums des Hasso-Plattner-Instituts für mehr Nachhaltigkeit in den digitalen Technologien statt. Eine Aufzeichnung des Vortrags finden Sie hier. Yang erläuterte, dass die Forschenden auch Wetterdaten einbeziehen, die der Deutsche Wetterdienst regelmässig und in kurzen Zeitabständen von seinen Messstellen an der Erdoberfläche bereitstellt. "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", 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.
KI-Algorithmen für innovative Vorhersagemethoden
Der Wissenschaftler aus dem Team von HPI-Geschäftsführer Prof. Christoph Meinel setzt nach eigenen Worten für das Deep Learning so genannte 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. Yang erinnerte daran, dass beim maschinellen Lernen das Training von Deep-Learning-Modellen bisher sehr viel Strom verbraucht. So verdoppele sich der Energieverbrauch für Künstliche Intelligenz derzeit alle dreieinhalb Monate, sagte der HPI-Wissenschaftler. 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", so der Potsdamer Wissenschaftler. In den weiteren Forschungsarbeiten des "EKAPEx"-Projekts geht es nun um die "massgeschneiderte Optimierung" der neuartigen Wettervorhersage-Technologie, so der Informatiker. 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.