WIND: KI-Modell für atmosphärische Vorhersagen ohne Feinabstimmung
Deep‑Learning‑Modelle haben die Wetter- und Klimaforschung stark vorangebracht, doch bislang sind die verfügbaren Systeme stark spezialisiert und müssen für jede Aufgabe separat trainiert werden. Das neue Modell WIND löst dieses Problem, indem es als ein einziges, vortrainiertes Fundamentmodell fungiert, das sämtliche Aufgaben ohne zusätzliche Feinabstimmung übernehmen kann.
WIND lernt einen robusten, aufgabenunabhängigen Atmosphären‑Prior durch ein selbstüberwachtes Video‑Rekonstruktionsziel. Dabei nutzt es ein unbedingtes Video‑Diffusionsmodell, um atmosphärische Dynamiken aus einem verrauschten Ausgangszustand schrittweise wieder aufzubauen. Dieses Vorgehen ermöglicht es, die komplexen Wechselwirkungen in der Atmosphäre ohne explizite Modellierung zu erfassen.
Im Einsatz werden spezifische Aufgaben als Inverse‑Probleme formuliert und mittels Posterior‑Sampling gelöst. Dadurch kann das Modell probabilistische Vorhersagen, räumliche und zeitliche Down‑Scaling, spärliche Rekonstruktionen sowie die Einhaltung von Erhaltungsgesetzen direkt aus dem vortrainierten Modell heraus durchführen – ohne dass zusätzliche Trainingsschritte nötig sind.
Darüber hinaus demonstriert WIND die Fähigkeit, physikalisch konsistente Gegenfaktische Szenarien extremer Wetterereignisse unter Klimawandel‑Szenarien zu erzeugen. Durch die Kombination generativer Video‑Modellierung mit inversen Problemlösungen eröffnet WIND einen recheneffizienten Paradigmenwechsel für die KI‑gestützte atmosphärische Modellierung und bietet damit ein leistungsstarkes Werkzeug für Forschung und Praxis.