Green-NAS: Nachhaltige KI für Wettervorhersage – Modelle mit hoher Genauigkeit

Das neue Framework Green‑NAS nutzt Multi‑Objective Neural Architecture Search, um in ressourcenarmen Umgebungen leistungsstarke Wettervorhersagemodelle zu entwickeln. Durch die Kombination von Genauigkeit und Effizienz kann Green‑NAS Modelle erzeugen, die gleichzeitig klein und präzise sind.

Im Einklang mit den Prinzipien von Green AI strebt Green‑NAS danach, den Energieverbrauch und den CO₂‑Ausstoß zu minimieren. Der Fokus liegt auf einer nachhaltigen Bereitstellung, die weniger Rechenleistung erfordert, ohne dabei die Vorhersagequalität zu opfern.

Das bestperformende Modell, Green‑NAS‑A, erreichte einen RMSE von 0,0988 – das entspricht nur 1,4 % der Genauigkeit eines manuellen Baselines. Mit lediglich 153 000 Parametern ist es 239‑fach kleiner als etablierte globale Wettermodelle wie GraphCast, was die Effizienz des Ansatzes deutlich unterstreicht.

Darüber hinaus demonstriert Green‑NAS, dass Transfer‑Learning die Vorhersagegenauigkeit um etwa 5,2 % steigern kann, wenn für eine Stadt nur begrenzte historische Daten vorliegen. Im Vergleich dazu ist das Training eines neuen Modells für jede Stadt deutlich weniger effektiv.