Universität Manchester setzt NVIDIA Earth-2 gegen Luftverschmutzung ein

Einsatz von Earth-2 gegen Luftverschmutzung

Die Universität Manchester setzt das KI-Modell NVIDIA Earth-2 ein, um Luftverschmutzung im Vereinigten Königreich vorherzusagen. Luftverschmutzung ist ein ernstes Gesundheitsrisiko: Nach Angaben von NVIDIA trug sie im vergangenen Jahr zu geschätzt 30.000 Todesfällen allein im Vereinigten Königreich bei. Datenbasierte Erkenntnisse könnten helfen, doch die Berechnung der Luftqualität mit traditionellen chemiebasierten Modellen ist teuer. Der Grund: Sobald chemische Reaktionen in Wettermodelle integriert werden, müssen zahlreiche gekoppelte Prozesse – etwa Emissionen, atmosphärische Umwandlungen und Transport – räumlich und zeitlich hochaufgelöst simuliert werden. Das erfordert enorme Rechenleistung und begrenzt, wie detailliert und wie regelmäßig solche Modelle laufen können. David Topping, Professor im Department of Earth and Environmental Science der University of Manchester, erkannte, dass die offenen KI-Modelle und Werkzeuge der Earth-2-Familie ein verwandtes Problem für die Wettervorhersage gelöst hatten: Sie erzeugen hochaufgelöste Vorhersagen deutlich schneller und mit geringerem Rechenaufwand als klassische numerische Verfahren. Da Luftschadstofffelder ähnlichen räumlich-zeitlichen Mustern folgen wie meteorologische Felder, fragte Topping, ob dieselben generativen Verfahren auch für Schadstofffelder funktionieren könnten.

Training auf Isambard-AI und Erweiterung mit StormCast

Gemeinsam mit dem NVIDIA Earth-2-Team erzeugten Topping und Kollegen Trainingsdaten aus bestehenden Chemie-Klima-Simulationen und trainierten Earth-2 CorrDiff, ein generatives Downscaling-Modell, auf Isambard-AI, dem nationalen KI-Supercomputer des Vereinigten Königreichs in Bristol. Das Modell funktionierte beim ersten Versuch. Anschließend ergänzte das Team Earth-2 StormCast, ein Modell für zeitabhängige Vorhersagen. StormCast nutzt Luftqualitätsbeobachtungen direkt als zusätzliche Eingabe-Features und konditioniert das Modell auf diese Messwerte, sodass reale Beobachtungsdaten unmittelbar in die Vorhersage einfließen. Die Test-Training- und Inferenz-Workflows wurden auf dem persönlichen KI-Supercomputer NVIDIA DGX Spark gezeigt. Topping begründet den Ansatz mit dem Rechenaufwand: „Die größte Herausforderung ist die Rechenleistung, die für die Vorhersage der Luftqualität erforderlich ist. Sobald man Chemie in Wettermodelle einbaut, werden sie wirklich, wirklich langsam. Also habe ich gesagt: Warum versuchen wir nicht, die generativen Verfahren, die NVIDIA für Klima und Wetter entwickelt, für Schadstofffelder zu nutzen?“ [NVIDIA] Damit will das Team die rechenintensive Kopplung von Chemie und Wetter umgehen und Vorhersagen schneller verfügbar machen. Der Ansatz könnte künftig detailliertere und häufigere Luftqualitätsvorhersagen ermöglichen.