Langfristige Wettervorhersagen sind aufgrund der chaotischen Natur atmosphärischer Systeme herausfordernd. Obwohl mathematische Gleichungen die zugrunde liegenden physikalischen Prozesse approximieren können, führen bereits kleinste Ungenauigkeiten exponentiell an, was die Genauigkeit von physikbasierten Modellen auf maximal zwei Wochen begrenzt. Zur Beschreibung komplexer Prozesse wie Turbulenz oder Strömung werden sogenannte Parameter verwendet, die aus physikalischen Daten abgeleitet werden und beispielsweise Temperaturen, Winde oder Druckwerte gewichten. In den letzten Jahren haben KI-Modelle wie GraphCast und FourCastNet die Wettervorhersage revolutioniert, indem sie aus riesigen Datenmengen lernen und präzise Prognosen liefern. Doch diese Modelle verfügen über zehn bis hunderte Millionen Parameter, die nicht direkt mit physikalischen Prozessen verknüpft sind – sie sind somit für Forscher kaum interpretierbar und tragen wenig zur wissenschaftlichen Erkenntnis bei. Um diese Lücke zu schließen, präsentiert eine Studie im Journal of Geophysical Research: Machine Learning and Computation eine neue Methode: WSINDy (Weak form Sparse Identification of Nonlinear Dynamics), ein Algorithmus aus dem Bereich des wissenschaftlichen Maschinellen Lernens (WSciML). Im Gegensatz zu herkömmlichen KI-Ansätzen, die reine Datenmuster lernen, versucht WSINDy, die zugrunde liegenden physikalischen Gleichungen aus Daten zu identifizieren. Er analysiert Messwerte wie Temperatur, Druck und Windgeschwindigkeit – sowohl aus simulierten turbulenten atmosphärischen Flussdaten als auch aus realen, globalen Wetterbeobachtungen, die durch Datenauswertung (Assimilation) zusammengestellt wurden. In beiden Fällen konnte WSINDy die bekannten physikalischen Gleichungen korrekt erkennen, einschließlich der komplexen Wechselwirkungen zwischen Luftdruck, Dichte und Wirbelstärke, die Windgeschwindigkeit und -richtung bestimmen. Die Ergebnisse zeigen, dass WSINDy nicht nur die Genauigkeit von Wettervorhersagen verbessern, sondern auch neue physikalische Erkenntnisse ermöglichen könnte. Besonders vorteilhaft ist die Robustheit gegenüber Beobachtungsrauschen, was die Anwendung in realen, oft unvollständigen Datensätzen erleichtert. Dennoch müssen bestimmte atmosphärische Gleichungen, etwa realistische Modelle für Windfelder, noch präziser erfasst werden. Die Forscher arbeiten derzeit an Verbesserungen und untersuchen zudem die Anwendbarkeit von WSINDy in anderen Bereichen – von Kernfusion über Epidemienmodelle bis hin zur Zellkommunikation bei der Wundheilung. Industrielle und wissenschaftliche Experten sehen in WSINDy einen Meilenstein für die Entwicklung transparenter, physikalisch interpretierbarer KI-Modelle. „Dies ist ein entscheidender Schritt hin zu einer KI, die nicht nur voraussagt, sondern auch erklärt“, betont ein Klimaforscher von der ETH Zürich. Die Methode könnte die Zusammenarbeit zwischen KI-Entwicklung und klassischer Meteorologie stärken und die Grundlagenwissenschaft durch datengestützte Entdeckung neuer physikalischer Gesetzmäßigkeiten bereichern. Die Forschungsgruppe um Seth Minor am National Center for Atmospheric Research (NCAR) arbeitet weiter an der Skalierung und Validierung des Algorithmus für den Einsatz in operativen Wetterzentren.