Earth-2

Ein Klima- und Wettermodell per KI auf 2 km Auflösung

Bereits zur GTC im vergangenen Jahr kündigte NVIDIA die Entwicklung eines Klima- und Wettermodells namens Earth-2 an, welches im Vergleich zum Vorgänger eine deutlich höhere Auflösung und weitere Erkenntnisse über Klima- und Wetterphänomene liefern sollte.

Ziel von Earth-2 war es, eine Simulation eines Klima- und Wettermodells zu ermöglichen, welches auf nicht näher spezifizierter Hardware etwa 30.000 simulierte Jahre pro Jahr mit einem Leistungsbudget von 30 MW einhalten sollte. Die Zielauflösung betrug 1 km. Nicht all diese Ziele konnte man nun für Earth-2 einhalten, doch das Projekt kostetet NVIDIA bis dato bereits 1,5 Milliarden US-Dollar und man geht davon aus, dass noch einmal so viel zusammenkommen wird. 

Ab 2025 sollen die Modelle zudem als Open-Source zur Verfügung stehen, so dass die jeweiligen Beiträge der beteiligten Forschungsinstitute und Unternehmen auch offen untersucht werden können.

Um die Komplexität eines Klima- und Wettermodells in Erdgröße mit der gewünschten Auflösung einmal zu verdeutlichen, verwendete NVIDIA obiges Schaubild. Aktueller Stand von Earth-1 waren eine Auflösung von 25 km bei einer zeitlichen Auflösung von zehn Minuten. Will man dies nun auf 1 km bei 20 s verfeinern, steigt die Rechenleistung um den Faktor 30.0000. Bei 100 m und 0,1 s wäre eine Steigerung der Rechenleistung um den Faktor 500 Millionen notwendig.

Für Earth-2 hat NVIDIA Satellitenbilder aus den letzten 10.000 Tagen, also rund 30 Jahren verwendet. Zudem wurden die Daten von 250.000 Wetterstationen ausgewertet. Um die komplette Erde simulieren zu können, bräuchte man aber ein feines Netz aus Wetterstationen, diese sind aber hauptsächlich über die USA, Europa und andere dicht besiedelte Gebiete gespannt. Weite Teile der Erde sind, was die Erhebung von Daten betrifft, nur spärlich besetzt.

Um die Komplexität der Daten zu verstehen, muss man zudem wissen, dass pro Zelle Daten wie Temperatur, Windstärke, Windrichtung, Luftfeuchtigkeit und mehr erhoben werden. Hinzu kommt eine horizontale Auflösung in 180 Schichten, wenngleich nicht alle Daten für alle Schichten vorliegen. Insgesamt sind bis zu 20 Kanäle an Informationen pro Zelle denkbar, bzw. werden auch erhoben. In einer Auflösung von 2,5 km stehen diese Daten jedoch nicht erdumfassend zur Verfügung. Also kommt hier die KI zum Einsatz und füllt die Lücken, die sich in den Daten ergeben. Natürlich darf ein solches Modell nicht einfach irgendwelche Daten erfinden. Stattdessen soll das Modell lernen, wie sich Klima und Wetter verhalten, um daraus die fehlenden Daten zu interpolieren.

NVIDIA hat nun ein Diffusion-Modell namens CorrDiff auf eine Auflösung von 2 km trainiert. Dies geschah auf dem eigenen Supercomputer EOS. Ein ähnliches Modell namens ICON erreicht eine Auflösung von 2,5 km und würde auf dem ALPS-Supercomputer die 30.000 simulierte Jahre pro Jahr einhalten könne, allerdings mit 40 MW anstatt der anvisierten 30 MW. 64.000 GH200-Beschleuniger würden dazu zum Einsatz kommen.

Als "Ground Truth" werden Daten zu Wetterphänomenen genutzt, zu denen es ausreichende Datensätze gibt. So hat man Tropenstürme rund um die Insel von Taiwan ausgewertet. Danach hat man das trainierte Modell solche Stürme simulieren lassen und die Daten mit den echten Wetterdaten verglichen. Daraus lässt sich dann das Wetterverhalten für Regionen ableiten, zu denen es keine ausreichende Daten gibt.

Das Modell kennt die Physik, wie die Corioliskraft und das Verhalten Lufttemperatur, Windrichtung und mehr abhängig vom Untergrund. Warme und kalte Ozeanströmungen müssen ebenfalls mit einberechnet werden und so ergibt sich ein extrem komplexes Modell.

Ziel von Earth-2 ist es, möglichst viele Daten über die Klima- und Wetterentwicklung zu sammeln. So sollen die Auswirkungen besser erforscht werden können. Katastrophenschutzbehörden sollen aber auch mehr Vorwarnzeit oder die Möglichkeit bekommen, die eventuellen Schäden besser beurteilen zu können, um so auf den Ernstfall besser vorbereitet zu sein.

NVIDIA stellt einige Earth-2 APIs bereit, über die Unternehmen und Behörden Zugang zu den Modellen wie FourCastNet, GraphCast und Deep Learning Weather Prediction bekommen.