Hybride KI: Eine revolutionäre Lösung zum Schutz von Wetter, Ozeanen und Biodiversität

Von der Vorhersage extremer Wetterereignisse bis hin zur Überwachung der Meere und der Kartierung der biologischen Vielfalt – erfahren Sie, die Forschung unser Verständnis und den Schutz der Umwelt revolutioniert. Im Zentrum dieser Innovation steht die hybride KI. Sie vereint physikalische Modelle mit Machine Learning (ML) für zuverlässige, erklärbare und einsatzfähige Vorhersagen.

Meteorologie und Klima – Hybride KI im Angesicht von Extremereignissen

Das neue Paradigma der Wettervorhersage

Historisch gesehen stützten sich Wettervorhersagen ausschließlich auf komplexe physikalische Modelle (NWP, Numerical Weather Prediction). Diese simulieren die Gesetze der Thermodynamik und Strömungsmechanik, um die Entwicklung der Atmosphäre vorherzusagen. Als Ergebnis jahrzehntelanger Forschung in der Atmosphärenphysik galten diese Modelle lange Zeit als der Goldstandard der Wetterprognose.

In den letzten Jahren kam es jedoch zu einem radikalen Paradigmenwechsel, vorangetrieben durch neue Akteure aus der Tech-Industrie (Google, Huawei, NVIDIA, Microsoft). Ihnen ist es gelungen, Ansätze zu entwickeln, die rein auf Machine Learning basieren und dabei die Leistung von Deep Learning sowie riesige Archive historischer Wetterdaten nutzen.

Diese datengesteuerten Modelle erweisen sich bei allgemeinen Vorhersagen oft als präziser. Vor allem aber benötigen sie zum Zeitpunkt der Vorhersage (Inferenz) deutlich weniger Rechenleistung. Sie stellen einen bedeutenden Fortschritt für die operative Effizienz der Wettervorhersage dar.

Trotz ihrer beeindruckenden Leistung stehen diese ML-Modelle jedoch vor zwei großen Herausforderungen, die ihre vollständige Übernahme in kritische operative Systeme einschränken:

1. Quantifizierung von Unsicherheiten

Es ist weitaus schwieriger, die mit ihren Vorhersagen verbundene Unsicherheit zu bewerten und zu quantifizieren. Diese Quantifizierung ist jedoch für ein kontrolliertes Risikomanagement unerlässlich – insbesondere in Bereichen, in denen Vorhersagen die Grundlage für kritische Entscheidungen zur öffentlichen Sicherheit bilden.

2. Extremereignisse

Rein statistische Modelle tun sich schwer, Extremereignisse (Hurrikane, Sturzfluten, Hitzewellen) vorherzusehen. Da diese Phänomene naturgemäß selten sind, sind sie in den Trainingsdaten unterrepräsentiert. Doch gerade diese Ereignisse haben die schwerwiegendsten menschlichen und materiellen Folgen.

Es wird deutlich, dass ML-Modelle zwar vielversprechend sind und bei Standardfällen gut abschneiden, aber noch Schwierigkeiten haben, alle Herausforderungen der operativen Wettervorhersage vollständig zu meistern.

Kriterien	Physische Modelle (NWP)	KI Modelle (Data-Driven)
Rechenleistung (Inferenz)	Sehr hoch	Niedrig
Allgemeine Genauigkeit	Hoch	Oft überlegen
Extremereignisse	Zuverlässiger (Naturgesetze)	Schwach (seltene Datenbasis)
Unsicherheitsquantifizierung	Gut beherrscht	Komplex zu bewerten
Erklärbarkeit	Hoch (physikalische Bedeutung)	Niedrig („Black Box“)

Die Lösung: Hybride KI

Beim Vergleich dieser beiden Ansätze stellt sich zwangsläufig eine Frage: Warum nicht beide kombinieren? Genau das ist das Ziel sogenannter hybrider KI-Ansätze. Sie stellen heute die Innovationsgrenze in der Wettervorhersage dar.

Was genau ist hybride KI? Wir haben es bereits hier thematisiert: Future Intelligence

Ein Beispiel sind physikalische Modelle, bei denen bestimmte Komponenten durch KI-Module ersetzt oder ergänzt werden. Dies ermöglicht es, Berechnungen zu beschleunigen, ohne die physikalische Konsistenz zu opfern. Andere Ansätze nutzen ML-Algorithmen, um die Präzision und Auflösung traditioneller Simulationen zu erhöhen – insbesondere dort, wo physikalische Messungen fehlen oder unzuverlässig sind.

In diesem Kontext ist auch der EXPLEARTH-Lehrstuhl (EXPLainable and physics-informed AI for Regional weaTHer prediction) angesiedelt. Dieses zukunftsweisende Projekt verkörpert die hybride Vision durch zwei komplementäre Schwerpunkte:

Achse 1 – Entwicklung hybrider ML-Modelle:

Entwicklung innovativer ML-Ansätze, darunter eine ML-Version des Arome-Modells (Arome-AI), dem französischen Referenzmodell für kleinräumige Vorhersagen, sowie das Downscaling (Verbesserung der räumlichen Auflösung) physikalischer Modelle für den Übergang von regionalen zu hochpräzisen lokalen Vorhersagen.

Achse 2 – Erklärbarkeit und Analyse:

Fokus auf die Modellanalyse, um Robustheit zu garantieren und das System verständlicher zu machen (Explainability). Das ehrgeizige Ziel ist es, zu verstehen, was ML-Modelle tatsächlich gelernt haben, um darauf basierend die physikalischen Modelle selbst zu verbessern. Dieser Ansatz der „Modell-Inversion“ schafft einen Kreislauf der gegenseitigen Optimierung.

Weltraumwetter: Eine Fallstudie für hybride KI

Dieser hybride Ansatz findet auch im Bereich des Solarwetters, auch Weltraumwetter genannt, großen Anklang. Dieser Sektor, an dem Institutionen wie die ONERA arbeiten, steht vor spezifischen Herausforderungen, die rein physikalische Ansätze extrem komplex und rein datengesteuerte Ansätze unzureichend machen.

Drei Hauptprobleme prägen diesen Bereich:

1. Unvollständiges Verständnis: Die Physik solarer Phänomene ist noch nicht vollständig verstanden. Komplexe magnetohydrodynamische Prozesse bei der Entstehung von Sonneneruptionen und der Ausbreitung des Sonnenwindes sind teilweise noch rätselhaft.
2. Rechenaufwand: Existierende physikalische Simulationen sind extrem rechenintensiv. Eine vollständige Simulation kann Stunden dauern, während sich das reale Ereignis oft innerhalb weniger Minuten ausbreitet – zu langsam für Echtzeit-Warnsysteme.
3. Heterogene Daten: Beobachtungsdaten sind selten, fragmentarisch und „multimodal“ (z. B. Sonnenbilder verschiedener Wellenlängen, In-situ-Partikelmessungen, Radiosignale). Diese Verschiedenartigkeit erschwert die optimale Nutzung der verfügbaren Informationen.

Das Ziel ist der gezielte Einsatz von Machine Learning:

• Einerseits dort einzugreifen, wo physikalische Modelle versagen, indem direkt aus Mustern in den Beobachtungsdaten gelernt wird.
• Andererseits die Entwicklung schneller, operativer Warnsysteme. Hybride KI kann hier die Brücke schlagen, um rechtzeitig vor potenziell gefährlichen Sonnenereignissen zu warnen.

Die Anwendung hybrider KI auf das Weltraumwetter zeigt eindrucksvoll, wie die kluge Kombination aus Physik und Daten Grenzen überwindet, die mit einem einzelnen Ansatz unüberwindbar wären.

Ozeane und Klima – Hochauflösendes globales Monitoring

Die Anwendung von KI auf ozeanische Systeme vertieft unser Verständnis des Klimas und verbessert unsere Fähigkeit, dessen Entwicklung vorherzusehen. Im Zentrum dieses Wandels stehen Satellitenmissionen der nächsten Generation, insbesondere SWOT (Surface Water and Ocean Topography) und sein Instrument KaRIn (Ka-band Radar Interferometer).

Jüngste Missionen haben zweidimensionale Karten der Meeresoberflächenhöhe mit höherer Auflösung und präziserer räumlicher Abdeckung geliefert. Sie sind in der Lage, Strukturen in Größenordnungen sichtbar zu machen, die mit früheren Altimetern nur erahnt werden konnten.

Diese neuen Messungen öffnen zwei Türen gleichzeitig:

1. Feinere Beobachtungskapazitäten ozeanischer Phänomene.
2. Die Möglichkeit, die Integration dieser massiven und komplexen Daten in ohnehin bereits kostenintensive numerische Modelle völlig neu zu denken.

Von traditionellen zu hybriden Ansätzen

Physikalische Modelle und Assimilation: Der physikalische Ansatz

Numerische Ozeansysteme stützen sich auf die grundlegenden Gesetze der Fluiddynamik sowie auf hochentwickelte numerische Modelle, die über mehrere Jahrzehnte hinweg entwickelt wurden. Dabei übernimmt die Datenassimilation die Rolle eines „Super-Integrators“ von Beobachtungen. Sie kalibriert die Trajektorie eines Modells kontinuierlich auf Basis der verfügbaren Messungen neu und hat die Ozeanvorhersage sowie die historische Rekonstruktion buchstäblich transformiert. Diese Systeme sind heute operativ im Einsatz, robust und bilden das Rückgrat globaler ozeanografischer Dienste.

Dennoch müssen wichtige praktische Einschränkungen berücksichtigt werden. Diese Rechencodes sind extrem rechenintensiv, und obwohl sie leistungsfähig sind, sind sie nicht perfekt. Sie können bestimmte Strukturen falsch positionieren, systematische Abweichungen (Biases) in spezifischen Regionen aufweisen oder nicht über die nötige Auflösung verfügen, um kleinräumige Phänomene präzise zu erfassen.

Machine-Learning-Modelle: Der prädiktive Ansatz

Am anderen Ende des Spektrums stehen neuronale Netze, die auf Satellitendaten angewendet werden und bei konkreten, zielgerichteten Aufgaben glänzen. Beispiele hierfür sind das Entstören von Bildern (Denoising), die räumliche und zeitliche Interpolation, die Multi-Sensor-Fusion sowie die lokale Reanalyse fehlender Datenfelder. Diese Modelle sind wesentlich leichtgewichtiger und schneller als physikalische Modelle und können Beobachtungen sowie Datenprodukte neuer Satelliten direkt verwerten.

Ihre Abhängigkeit von der Qualität und Abdeckung der Trainingsdaten hindert sie jedoch daran, alle komplexen ozeanischen Prozesse abzubilden, und begrenzt ihre Extrapolationsfähigkeit außerhalb der bekannten Datenverteilung. Ein Netzwerk, das ausschließlich auf Normalbedingungen trainiert wurde, kann bei einem außergewöhnlichen Ereignis völlig versagen.

Hybride ozeanografische KI: Architektur und Anwendungen

An dieser Stelle setzt der hybride Ansatz an, der insbesondere von CLS in Zusammenarbeit mit IMT-Atlantique entwickelt wird. Die von ihnen konzipierte Ozean-Rekonstruktion kombiniert physikalische Modelle mit Deep Learning, um Temperatur, Salzgehalt und Strömungen auf globaler Ebene in Echtzeit zu kartieren. Diese Modelle erleichtern die Erkennung von marinen Hitzewellen – Ereignisse, die im Zuge der Klimaerwärmung immer häufiger auftreten. Zudem ermöglichen sie verbesserte Klimavorhersagen.

In den derzeit von CLS und IMT-Atlantique untersuchten Anwendungsfällen ergeben sich folgende Schwerpunkte:

• Fehlerkorrektur (Error Correctors): Ein neuronales Netz lernt den systematischen Restfehler (Bias) des physikalischen Modells und wendet diesen während der Simulation direkt als Korrektur an. Dies ist besonders nützlich, um ozeanische Strukturen, die im Modell „versetzt“ dargestellt werden, lokal wieder richtig zu positionieren.
• Ultraschnelle ML-Substitute: Besonders rechenintensive Komponenten (wie etwa bestimmte komplexe physikalische Parametrisierungen) werden durch ein ML-Substitut ersetzt, das deren Verhalten originalgetreu reproduziert, aber weitaus schneller berechnet.
• Multi-Observations-Fusion: Hier kommen CNN- oder Transformer-Architekturen mit Attention-Mechanismen zum Einsatz, um neue hochauflösende Altimetriedaten intelligent mit anderen Quellen zusammenzuführen. Dazu gehören beispielsweise satellitengestützte Meeresoberflächentemperaturen, In-situ-Temperatur- und Salzgehaltsprofile (Argo-Floats) sowie Strömungsmessungen.

Agroforstwirtschaft und Biodiversität – Kartierung ökologischer Oasen

Das Unsichtbare sichtbar machen: Agrarökologische Infrastrukturen

Die Anwendung von KI zur Charakterisierung von Agroforstlandschaften markiert eine Evolution in unserem Verständnis und Management ländlicher Räume. Die automatisierte Kartierung agrarökologischer Infrastrukturen – wie Hecken, Baumgruppen und Dauergrünland – ermöglicht es heute, diese entscheidenden, aber oft unauffälligen Elemente für die ökologische Vernetzung und den Erhalt der Biodiversität mit beispielloser Präzision zu identifizieren und zu inventarisieren.

Diese kleinen Landschaftsstrukturen wurden in traditionellen Naturschutzansätzen, die sich primär auf große Wälder und Schutzgebiete konzentrierten, lange Zeit vernachlässigt. Heute zeigt sich ihre zentrale Bedeutung als wahre Oasen der Artenvielfalt in landwirtschaftlich genutzten Gebieten. Insbesondere Hecken stellen essenzielle ökologische Korridore dar. Sie dienen zahlreichen Arten als Rückzugsraum und spielen eine Schlüsselrolle bei der Regulierung des lokalen Klimas, dem Bodenschutz sowie der Wasserqualität.

Dank der Fortschritte in der Satellitenfernerkundung (mit immer feinerer räumlicher Auflösung) und neuer Algorithmen (insbesondere Architekturen zur semantischen Segmentierung) können diese Zonen nun systematisch und reproduzierbar über weite Gebiete hinweg identifiziert, kartiert und in ihrer Entwicklung verfolgt werden.

Ein Blick in die Vergangenheit für die Entscheidungen von morgen

Über die reine Kartierung des Ist-Zustands hinaus ermöglichen Innovationen im Bereich der Künstlichen Intelligenz nun die Rekonstruktion der historischen Entwicklung von Agroforstlandschaften. Durch die Analyse von Archivbildern lassen sich die Dynamiken von Entwaldung, landwirtschaftlicher Intensivierung und Habitatfragmentierung über mehrere Jahrzehnte hinweg offenlegen. Diese Fähigkeit, „in der Zeit zurückzugehen“, erweist sich als entscheidend für fundierte Entscheidungen in der aktuellen und künftigen Landschaftsplanung.

Die vom Team DYNAFOR (Dynamics and Ecology of Agroforestry Landscapes) entwickelte SegCycleGAN-Architektur veranschaulicht diese innovative Fähigkeit perfekt. Diese Deep-Learning-Architektur nutzt Techniken des unüberwachten Lernens (CycleGAN) in Kombination mit semantischer Segmentierung, um nicht-gepaarte historische Archivbilder zu analysieren. Das bedeutet, dass keine manuell annotierten historischen Karten für jeden Zeitraum vorliegen müssen.

Das Modell lernt, alte Aufnahmen (oft schwarz-weiß, mit variabler Auflösung und unterschiedlichen Aufnahmebedingungen) in Landnutzungskarten zu übersetzen, die mit heutigen Karten vergleichbar sind. Diese Fähigkeit ermöglicht die Rekonstruktion der Landschaftsentwicklung und macht Folgendes sichtbar:

• Gebiete, in denen Hecken während landwirtschaftlicher Flurbereinigungen massiv verschwunden sind.
• Dynamiken der Landschaftsveränderung, wie Verbuschung oder im Gegenteil Rodungen.
• Verläufe der landwirtschaftlichen Intensivierung oder Extensivierung.
• Auswirkungen aufeinanderfolgender politischer Maßnahmen auf die Landschaftsstrukturen.

Dieses präzise Verständnis der ökologischen Entwicklung von Gebieten ermöglicht es Planern und Entscheidungsträgern, langfristige Transformationsprozesse der Landschaft zu begreifen. So lassen sich deren Konsequenzen für die Biodiversität und Ökosystemdienstleistungen – wie Bestäubung, Schädlingsregulierung, Wasserqualität und Kohlenstoffspeicherung – besser antizipieren.

Die Kartierung alter Wälder: Rückzugsorte der Artenvielfalt

Parallel zum historischen Ansatz bei Agrarlandschaften stellt die automatisierte Kartierung des Reifegrades alter Wälder eine bedeutende Herausforderung für den Schutz der forstlichen Biodiversität dar. Diese reifen oder im Zerfall befindlichen Waldökosysteme machen heute weniger als 2 % der europäischen Waldfläche aus. Dennoch stellen sie absolut kritische Reservoire für die biologische Vielfalt dar.

Alte Wälder zeichnen sich aus durch:

• Eine komplexe vertikale Struktur mit mehreren Vegetationsschichten.
• Das Vorhandensein von Totholz am Boden und im Stehen, ein essenzieller Lebensraum für Tausende von Arten.
• Alte Bäume mit großem Durchmesser, die unersetzliche Mikrohabitate bieten.
• Eine Vielfalt an Arten und Mikrohabitaten (Höhlen, Rindenabplatzungen, Pilze).
• Wenig gestörte, natürliche ökologische Prozesse.

Die automatisierte Identifizierung dieser Wälder mittels LiDAR-Daten (die die 3D-Struktur der Vegetation messen), multispektralen Satellitenbildern und hochentwickelten Klassifizierungsalgorithmen ermöglicht eine systematische Kartierung.

Diese Ansätze leiten Naturschutzstrategien, indem sie präzise Folgendes identifizieren:

• Vernetzungsstrukturen zwischen einzelnen Inseln alter Waldbestände.
• Waldflächen mit sehr hohem ökologischem Wert, die eines strengen Schutzes bedürfen.
• Reifende Wälder, die einer freien Entwicklung überlassen werden könnten.
• Möglichkeiten zur ökologischen Wiederherstellung in degradierten Gebieten.

Neue technologische Ansätze

Jenseits dieser konkreten Anwendungsfälle definieren drei Innovationen die Konturen der KI für die Umwelt neu.

Physikinformiertes Lernen: Die Versöhnung von physikalischem Wissen und KI

Das physikinformierte Lernen stellt eine der vielversprechendsten Innovationen im Bereich der Umwelt-KI dar. Dieser hybride Ansatz – veranschaulicht durch Physics-Informed Neural Networks (PINNs), die bei der ONERA entwickelt wurden, sowie durch die Arbeit des EXPLEARTH-Lehrstuhls – integriert physikalische Randbedingungen direkt in die Architektur und die Verlustfunktion (Loss Function) neuronaler Netze.

Das Grundprinzip: Anstatt das Netzwerk frei statistische Muster lernen zu lassen, erzwingen wir die Einhaltung bestimmter Differenzialgleichungen, Erhaltungssätze oder Symmetrieprinzipien aus der Physik des jeweiligen Problems. Konkret bedeutet das:

• Hard Constraints: Die Architektur erfüllt Einschränkungen (z. B. Massenerhaltung) automatisch.
• Soft Constraints: Die Verlustfunktion bestraft Verstöße gegen physikalische Gesetze.
• Hybride Komponenten: Einige Teile sind explizite physikalische Module, andere sind neuronale Netze.

Die entscheidenden Vorteile:

• Die Lernfähigkeit der KI, um komplexe und nichtlineare Muster zu erfassen.
• Die theoretische Robustheit physikalischer Modelle, um wissenschaftliche Konsistenz zu gewährleisten.
• Erklärbarkeit: Im Gegensatz zu „Black Boxes“ basieren diese Modelle auf überprüfbaren Naturgesetzen, was für die wissenschaftliche Validierung und die operative Akzeptanz entscheidend ist.

Physikinformiertes Lernen glänzt besonders beim Management von Unsicherheiten und Extremereignissen. Physikalische Modelle behalten ihre Überlegenheit bei seltenen Ereignissen bei, da sie auf fundamentalen Prinzipien beruhen, die auch unter nie zuvor beobachteten Bedingungen gültig sind, während reine KI bei Ereignissen außerhalb der gelernten Datenverteilung (Out-of-Distribution) scheitern kann. Die Hybridisierung ermöglicht eine intelligente Rollenverteilung je nach Kontext.

Foundation Models und multimodale Fusion: Generalisierung und Orchestrierung

Die Revolution der Foundation Models für die Erdbeobachtung

Foundation Models (wie alphaearth oder terramind) stellen einen paradigmatischen Bruch dar. Anstatt für jede spezifische Aufgabe ein eigenes Modell zu trainieren, werden generische Modelle entwickelt, die in der Lage sind, unterschiedlichste Probleme zu lösen. Sobald das Foundation Model vorliegt (was ein massives initiales Training erfordert), wird es erheblich einfacher, neue Funktionen zu entwickeln, indem man auf das bereits erworbene Allgemeinwissen des Modells zurückgreift.

Das SATLAS-Modell, das von CLS zur Erkennung von Gehölzstrukturen eingesetzt wird, illustriert diese spektakuläre Entwicklung: Während traditionelles Machine Learning zehntausende von Annotationen erforderte, genügen nun etwa 10.000 gelabelte Vorschaubilder (Thumbnails) für eine präzise Anpassung. Diese drastische Reduzierung des Bedarfs an annotierten Daten löst ein kritisches Problem: den Mangel an Expertendaten in vielen geowissenschaftlichen Bereichen.

Die notwendige Spezialisierung

Im Gegensatz zu Texten oder natürlichen Bildern erfordern Geospatial-Daten Architekturen, die an mehrere Modalitäten angepasst sind: visuell (RGB), hyperspektral (hunderte von Kanälen), Radar (SAR) und LiDAR (3D-Punktwolken). Jede dieser Modalitäten weist einzigartige physikalische Besonderheiten auf.

Das Team von DYNAFOR arbeitet an der Perspektive multimodaler Foundation Models. Diese ermöglichen eine Generalisierung über verschiedene Regionen, Skalen und Sensoren hinweg. Dies könnte die Landschaftsökologie revolutionieren, indem es globale Vergleichsanalysen mit vereinheitlichten Methoden ermöglicht.

Multimodale Fusion: Intelligente Sensor-Orchestrierung

Jede Modalität erfasst spezifische, komplementäre Aspekte: Sichtbares Licht und Nahinfrarot für die Vegetation, Hyperspektraldaten für die chemische Zusammensetzung, Radar für die Struktur und LiDAR für die 3D-Topografie. Keine einzelne Modalität kann die Gesamtheit der Informationen erfassen.

Die MIPANet-Architektur (DYNAFOR) nutzt Cross-Attention-Mechanismen, um diese Komplementarität zu orchestrieren. Diese Transformer-Architekturen ermöglichen es:

• Die Bedeutung jeder Modalität je nach Kontext dynamisch zu gewichten.
• Automatisch zu identifizieren, welche Modalitäten am informativsten sind.
• Elegant mit fehlenden Daten umzugehen (z. B. Wolkenbedeckung bei optischen Sensoren).
• Subtile Korrelationsmuster zwischen den verschiedenen Modalitäten zu extrahieren.

Zusammenarbeit zwischen physikalischen und ML-Modellen

Ein neuer Ansatz geht über die Erklärbarkeit im klassischen Sinne hinaus, indem er die Beziehung zwischen physikalischer Modellierung und Machine Learning grundlegend transformiert:

• Physikalische Modelle liefern die Rahmenbedingungen und die wissenschaftliche Struktur für die KI.
• Die KI deckt Muster in den Daten auf und identifiziert systematische Fehler in den physikalischen Modellen.
• Diese Erkenntnisse werden rückgeführt, um die physikalischen Modelle selbst zu verbessern.
• Es entsteht ein positiver Kreislauf der gegenseitigen Optimierung.

Konkrete Anwendungen bei der ONERA: Arbeiten zur Inversion atmosphärischer Signale demonstrieren dieses Potenzial. Durch die systematische Analyse von Abweichungen zwischen physikalischen Vorhersagen und Beobachtungen – unter Einsatz von KI zur Mustererkennung – können Forscher vernachlässigte oder schlecht parametrisierte physikalische Prozesse entdecken und die Modelle verfeinern.

Inferenz bei unvollständigen Daten: Ein bemerkenswertes Merkmal ist die Fähigkeit zur robusten Inferenz bei unvollständigen Datensätzen. Während physikalische Modelle oft lückenlose Datensätze benötigen, glänzen KI-Modelle darin, kohärente Ergebnisse zu liefern. Diese Fähigkeit erlaubt es, Beobachtungslücken zu schließen, indem man sich auf gelernte Muster und physikalische Randbedingungen stützt.

Operative Leistung: Der EXPLEARTH-Lehrstuhl zeigt durch seine meteorologischen Emulatoren die Kapazität zur Inferenz in Quasi-Echtzeit. Diese ML-Modelle sind um mehrere Größenordnungen schneller als traditionelle physikalische Modelle. Wo eine physikalische Wettervorhersage Stunden auf einem Supercomputer beansprucht, erstellt der ML-Emulator eine äquivalente Vorhersage in wenigen Sekunden. Diese Ansätze ebnen den Weg für kritische Echtzeitanwendungen.

Fazit

Das Ökosystem von Toulouse demonstriert eindrucksvoll die Komplementarität zwischen KI und traditionellen wissenschaftlichen Ansätzen. Die Hybridisierung von Machine-Learning-Modellen und physikalischen Modellen ermöglicht es, komplexe Muster zu identifizieren und gleichzeitig die Konsistenz mit physikalischen Gesetzen zu wahren sowie Unsicherheiten zu quantifizieren.

Die durchgeführten Arbeiten definieren drei zentrale Forschungsachsen:

• Unsicherheitsmanagement: Die Kombination aus der Robustheit physikalischer Modelle und der Effizienz von ML, um zuverlässige Systeme unter verschiedensten Bedingungen zu entwickeln.
• Erklärbarkeit: Sicherstellung von Transparenz und Interpretierbarkeit hybrider Modelle, insbesondere für kritische Anwendungen.
• Anpassung an den Klimawandel: Aufrechterhaltung der Modellleistung angesichts beispielloser Klimabedingungen, die außerhalb der Verteilung der bisherigen Trainingsdaten liegen.

AI4ENV wird von ANITI geleitet. Diese Initiative ist Teil der Strategie des ANITI (Artificial and Natural Intelligence Toulouse Institute), einem Exzellenzzentrum für vertrauenswürdige KI unter der Leitung von Serge Gratton. Es vereint 300 Teammitglieder, 19 Forschungslehrstühle und 8 integrative Programme mit einem Budget von 90 Millionen Euro.

Die Besonderheit von ANITI liegt in seinem Ansatz für vertrauenswürdige KI in kritischen Anwendungsbereichen. Dabei wird Grundlagenforschung (Lernarchitekturen, multimodales Lernen) mit essenziellen Attributen (Erklärbarkeit, Robustheit, Frugalität) in drei großen integrativen Domänen kombiniert: Transportwesen, Industrie 4.0 und Umwelt.