KI sagt Kipppunkte voraus – bislang nur in Simulationen

KI erkennt Wolkenverlust mehr als zwei Jahre im Voraus – in der Simulation

Ein Forschungsteam unter Leitung des California Institute of Technology (Caltech) hat in den Proceedings of the National Academy of Sciences (PNAS) einen rekurrenten Neural Operator (RNO) vorgestellt. Er soll Kipppunkte in komplexen Systemen vorhersagen. Beteiligt sind die University of Colorado Boulder und NVIDIA. Leitende Autorin ist Anima Anandkumar, Bren Professor am Caltech.

Das Team wandte den RNO auf einfache Modelle an. Eines bildet ein Klimasystem ab, in dem tiefe Meereswolken bei steigendem CO2 verschwinden. Das andere simuliert turbulente Luftströmung über einem geneigten Flugzeugflügel. In simulierten Wolkendaten sagte das Modell den erwarteten Kipppunkt des Wolkenverlusts mehr als zwei Jahre im Voraus voraus, mit einem Zeitfehler von etwa 11 Tagen. Im Flügel-Test traf es den Moment, in dem der Auftrieb stark abfällt.

Einordnung: Alle genannten Ergebnisse stammen aus Simulationen, nicht aus realen Beobachtungen.

Gedächtnis für sich verändernde Physik: Wann der RNO einen Kipppunkt markiert

Neural Operators lernen Abbildungen zwischen Funktionsräumen. Sie kommen unter anderem in der Strömungs- und Klimamodellierung zum Einsatz. Der RNO ergänzt sie um einen Gedächtnismechanismus. Dieser verfolgt, wie sich die zugrunde liegende Physik eines Systems über die Zeit ändert. Genau darin liegt die Neuerung: Frühere KI-Wettermodelle gingen von Stationarität aus und taten sich deshalb schwer mit Kipppunkten.

Der RNO markiert einen nahenden Kipppunkt, sobald seine Vorhersagen den zuvor gelernten physikalischen Regeln nicht mehr folgen. Anandkumar definiert den Begriff so: Ein Kipppunkt sei der Punkt, an dem es keine Rückkehr mehr gebe, weil das System nichtstationär werde. Teile des Systems veränderten sich so, dass es sich nicht mehr in den Ausgangszustand zurückbringen lasse.

Laut Caltech wird die Arbeit in einem aktuellen UN-Bericht zur Bedeutung von Kipppunkten zitiert.

Was offen bleibt: Nur Simulationen, kein belegter Vergleich mit klassischen Frühwarnsignalen

Das PNAS-Paper selbst lag nicht vor. Die Angaben stützen sich auf die Caltech-Mitteilung und zwei Sekundärberichte. Earth.com geht dabei weiter als Caltech. Das Portal schreibt, die KI sage voraus, wann Klimasysteme einen Kipppunkt erreichen. Es spricht von einer Vorhersage „years in advance“ und von „außergewöhnlicher Präzision“. Caltech selbst spricht von „simple models“. Earth.com nennt die leitende Autorin außerdem „Ahima“ statt Anima Anandkumar, vermutlich ein Tippfehler.

Ob der RNO besser ist als bestehende Verfahren, lässt sich so nicht beurteilen. In keiner Quelle steht ein Vergleich mit klassischen Indikatoren wie steigender Lag-1-Autokorrelation und Varianz. Ebenso fehlt ein Vergleich mit anderen ML-Ansätzen. Aus der Fachliteratur ist bekannt: Diese klassischen Indikatoren erkennen die sich verlangsamende Dynamik nahe einem Kipppunkt, sagen aber nichts über den Zustand danach aus. Ein anderer Deep-Learning-Ansatz, der mit Modelldaten trainiert wird, soll sensitiver sein und weniger Fehlalarme liefern als generische Indikatoren.

Klimamodellierung und Luftfahrt kommen als Anwendungsfelder in Betracht. Belegt ist das bislang nicht. Es bleibt eine Aussicht.