Google DeepMind und Google Research eingeführt WeatherNext 2, ihr fortschrittlichstes KI-Modell für die Wettervorhersage, an einem bestimmten Datum. Das Modell liefert 8x schnellere globale Prognosen mit einer Auflösung von bis zu einer Stunde, indem es Hunderte von Szenarien aus einer einzigen Eingabe durch Rauschinjektion im Funktionsraum generiert. Dies unterstützt Wetterbehörden bei experimentellen Zyklonvorhersagen und lässt sich in Google-Produkte integrieren. Das Wetter beeinflusst tägliche Entscheidungen in globalen Lieferketten, Flugrouten und Privatwegen. Künstliche Intelligenz hat in den letzten Jahren die Möglichkeiten der Wettervorhersage erweitert. WeatherNext 2 stellt die neueste Weiterentwicklung des WeatherNext-Teams dar, das sich auf Effizienz, Genauigkeit und Auflösung bei Vorhersagen weltweit konzentriert. Das Modell generiert Prognosen achtmal schneller als seine Vorgänger und erreicht dabei eine stündliche Auflösung. Diese Geschwindigkeit ergibt sich aus der Verarbeitung auf einer einzigen Tensor Processing Unit (TPU), wo jede Szenariovorhersage in weniger als einer Minute abgeschlossen ist. Im Gegensatz dazu benötigen physikbasierte Modelle auf Supercomputern Stunden für entsprechende Berechnungen. WeatherNext 2 hat Wetterbehörden bereits durch die Bereitstellung experimenteller Zyklonvorhersagen auf der Grundlage von Szenariobereichen unterstützt und ermöglicht so Entscheidungen, die auf mehreren Ergebnissen basieren. https://www.youtube.com/watch?v=YQwqoEm_xis Prognosedaten von WeatherNext 2 befinden sich jetzt in Earth Engine und BigQuery, sodass Benutzer direkten Zugriff auf diese Datensätze haben. Google hat ein Early-Access-Programm auf der Vertex AI-Plattform von Google Cloud gestartet, das den Teilnehmern benutzerdefinierte Modellinferenzen ermöglicht. Durch diese Schritte wird die Technologie von Forschungslabors in praktische Anwendungen für eine breitere Nutzung überführt. Die WeatherNext-Technologie verbessert jetzt Vorhersagen in der Google-Suche, Gemini, Pixel Weather und der Wetter-API der Google Maps-Plattform. In den kommenden Wochen wird WeatherNext 2 die Anzeige von Wetterinformationen in Google Maps unterstützen und seine Reichweite auf mobile Navigations- und Planungstools ausweiten, die täglich von Millionen Menschen genutzt werden. Von einer ersten Eingabe an verwendet WeatherNext 2 unabhängig trainierte neuronale Netze und injiziert Rauschen direkt in den Funktionsraum. Diese Methode erzeugt eine kohärente Variabilität über Hunderte möglicher Wetterergebnisse hinweg und erfasst das gesamte Spektrum an Möglichkeiten. Eine solche Abdeckung erweist sich als unerlässlich für die Planung im Hinblick auf Worst-Case-Szenarien, die eine präzise Vorbereitung in der Meteorologie und darüber hinaus erfordern. WeatherNext 2 übertrifft das vorherige WeatherNext-Modell bei 99,9 % der Variablen, einschließlich Temperatur, Wind und Luftfeuchtigkeit, und bei allen Vorlaufzeiten von null bis 15 Tagen. Diese Kennzahlen spiegeln ein höheres Qualifikationsniveau und eine feinere stündliche Auflösung wider. Die CRPS-Vergleiche (Continuous Ranked Probability Score) bestätigen diese Fortschritte gegenüber WeatherNext Gen und quantifizieren die überlegene probabilistische Genauigkeit bei Ensemblevorhersagen. Im Mittelpunkt dieser Verbesserungen steht das Functional Generative Network (FGN), ein neuer KI-Modellierungsansatz. Das FGN injiziert Rauschen in die Modellarchitektur selbst und stellt so sicher, dass die generierten Prognosen den physikalischen Realismus und die Verbindungen zwischen Variablen beibehalten. Diese architektonische Innovation bewahrt die räumliche und zeitliche Konsistenz und unterscheidet sie von herkömmlichen Techniken zur Lärmzugabe. https://storage.googleapis.com/gweb-uniblog-publish-prod/original_videos/WeatherNext2_figure_03.mp4
Video: Google
Das Modell zeichnet sich durch die Vorhersage sowohl von Rändern als auch von Gelenken aus. Marginalwerte umfassen einzelne Wetterelemente, wie z. B. die genaue Temperatur an einem bestimmten Ort, die Windgeschwindigkeit in einer bestimmten Höhe oder die Luftfeuchtigkeit an einem bestimmten Punkt. Das Training findet ausschließlich an diesen Rändern statt. Trotz dieses begrenzten Umfangs erlangt das Modell die Fähigkeit, Gelenke – komplexe, miteinander verbundene Systeme, die auf Wechselwirkungen zwischen mehreren Elementen beruhen – genau vorherzusagen. Die Joints umfassen Vorhersagen für ganze Regionen, die von großer Hitze betroffen sind, oder die aggregierte Stromabgabe von Windparks, die sich über große Gebiete erstrecken. Diese Prognosen hängen davon ab, wie sich einzelne Randwerte dynamisch kombinieren. Die Fähigkeit von WeatherNext 2, gemeinsame Verteilungen aus marginalen Trainingsdaten abzuleiten, stellt eine wichtige technische Errungenschaft dar und ermöglicht Anwendungen in der Energieerzeugung, Landwirtschaft und im Katastrophenmanagement, die ganzheitliche Systemansichten erfordern. Die Entwicklung von WeatherNext 2 übersetzt Forschungsergebnisse in operative Tools. Google DeepMind und Google Research verpflichten sich, die Modellfunktionen durch die Integration neuer Datenquellen zu verbessern. Geplant ist ein weiterer Ausbau des Zugangs zu diesen Tools. Die Bereitstellung offener Daten und Plattformen zielt darauf ab, Forscher, Entwickler und Unternehmen zu unterstützen. Benutzer können verwandte Geodaten- und KI-Initiativen über Google Earth, Earth Engine, AlphaEarth Foundations und Earth AI erkunden, um einen tieferen Kontext zu diesen Bemühungen zu erhalten.
