Neues Modell PARADIS verbessert Wettermessungen mit neuronaler Semi‑Lagrange

In der heutigen Zeit nutzen viele KI‑Modelle für die Wettervorhersage ein einziges, großes Netzwerk, das sämtliche physikalischen Prozesse – von der Advektion über Diffusion bis hin zu thermodynamischen Wechselwirkungen – implizit abbildet. Besonders die Advektion, die lange Strecken transportiert, erfordert dafür sehr aufwändige globale Interaktionsmechanismen oder tief verschachtelte Convolution‑Schichten, was die Rechenkosten stark erhöht.

PARADIS ist ein neu entwickeltes, physik‑inspiriertes Modell, das diese Herausforderung adressiert, indem es die Netzwerkarchitektur in klar getrennte Blöcke für Advektion, Diffusion und Reaktion aufteilt. Jeder Block arbeitet mit latenten Variablen, sodass die physikalische Struktur des Wetters explizit im Modell verankert ist.

Der Advektionsblock nutzt einen neuronalen Semi‑Lagrange‑Operator, der Trajektorienbasierten Transport auf der Kugeloberfläche durch differenzierbare Interpolation ermöglicht. Dadurch kann das Modell sowohl die zu transportierenden latenten Modi als auch deren charakteristische Wege gleichzeitig lernen. Diffusion wird durch depthwise‑separable räumliche Mischungen realisiert, während lokale Quellen und vertikale Wechselwirkungen über punktweise Kanalinteraktionen modelliert werden.

Auf Basis von ERA5‑Benchmarks erreicht ein 1‑Grad‑PARADIS‑Modell, das in weniger als einem GPU‑Monat trainiert wurde, eine Vorhersagequalität, die gleichwertig oder sogar besser ist als die von 0,25‑Grad‑Modellen traditioneller und anderer KI‑Ansätze, darunter die ECMWF HRES‑Vorhersage und DeepMind’s GraphCa. Damit demonstriert PARADIS, dass physik‑basierte Strukturen in neuronalen Netzen die Effizienz und Genauigkeit der Wettervorhersage deutlich steigern können.