Klima: KI mit erfundenen Emissionsszenarien trainiert
· Redaktion BehindLines
Forschende des MIT haben eine Methode entwickelt, um Modelle künstlicher Intelligenz für die Klimavorhersage schneller und mit einem Bruchteil der üblichen Daten zu trainieren. Das MIT stellte die Arbeit am 12. November 2026 vor und gab an, sie erscheine diese Woche in den Proceedings of the National Academy of Sciences. Auf dem Preprint-Server arXiv liegt zudem ein Manuskript vor: Es wurde am 17. Juni 2026 eingereicht und am 29. September überarbeitet, ging der Ankündigung des MIT also um mehrere Monate voraus, und seine arXiv-Seite nennt keine Fachzeitschrift.
„Emulatoren“ statt monatelanger Rechenzeit
Langfristige Klimaprojektionen beruhen auf Erdsystemmodellen, die sehr detailliert, aber schwerfällig sind: Laut MIT kann es auf einem Cluster von Supercomputern Monate dauern, nur eine mögliche Zukunft zu simulieren. „Emulatoren“ sind KI-Modelle, die ihr Verhalten nachahmen und in wenigen Sekunden laufen, was nach Angaben des MIT erlaubt, Tausende Szenarien zu testen.
Der Makel realistischer Szenarien
Üblicherweise wird ein Emulator mit sechs bis acht realistischen Emissionsverläufen trainiert, von denen jeder einen vollständigen Lauf des Referenzmodells erfordert. Das MIT berichtet, seine Forschenden hätten festgestellt, dass solche Szenarien Emulatoren hervorbringen, die bei unbekannten Situationen schlechter abschneiden. Die Zusammenfassung der Studie auf arXiv führt diese Leistungsgrenze auf die geringe strukturelle Vielfalt der üblichen Szenarien zurück.
Ein maßgeschneiderter Datensatz
Christopher Womack, Hauptautor und heute Postdoktorand an der ETH Zürich (ETH Zurich), und seine Kollegen entwarfen einen Algorithmus, der einen Satz optimierter synthetischer Szenarien erzeugt. Laut MIT geht er von einem beliebigen Szenario aus, das mit einem einfachen, schnellen Klimamodell erstellt wurde, misst die Abweichung zwischen Emulator und Referenzmodell und passt die Daten dann schrittweise an, bis der Fehler eine Schwelle erreicht. Das Ergebnis gleicht keiner plausiblen Zukunft: Die Verläufe enthalten abrupte Schwankungen, und der Algorithmus könnte zum Beispiel das CO2 im Jahr 2050 stark ansteigen oder das Methan im Jahr 2037 rasch sinken lassen. Für Christopher Womack ermöglichen diese schnellen Schwingungen dem Emulator, weit mehr Informationen über das Gesamtsystem zu gewinnen.
Das vollständige Modell muss dann nur noch einmal laufen statt sechs- oder achtmal. Laut der Zusammenfassung auf arXiv schneidet bei einem einfachen Klimamodell ein Emulator, der mit einem einzigen optimierten Szenario trainiert wurde, besser ab als einer, der mit sechs Standardverläufen (ScenarioMIP) trainiert wurde. Die Autoren fügen hinzu, dass mit diesem einfachen Modell optimierte Szenarien, die dann ein Modell mittlerer Komplexität antreiben, einen leistungsfähigeren Trainingsdatensatz liefern als die ScenarioMIP-Ergebnisse. Laut MIT kann ein so trainierter Emulator außerdem die Wirkung lokaler Maßnahmen vorhersagen, die einen Schadstoff senken, während andere Emissionen weiter steigen – was die getesteten herkömmlichen Emulatoren nicht schafften.
Warum das wichtig ist
Laut Noelle Selin, Seniorautorin der Studie, kann das Training eines Emulators Monate oder sogar Jahre dauern, sodass die verfügbaren Werkzeuge oft veraltet sind; sie glaubt, die Methode könne durch die Verkürzung dieser Zeit alles verändern. Christopher Womack hofft, dass diese schnellen, anpassungsfähigen Emulatoren künftig besser bei der Gestaltung der öffentlichen Politik helfen. Die Forschenden wollen die Technik nun mit einem Szenario testen, das ein vollständiges Modell erzeugt hat, und sie auf andere Arten von Klimamodellen anwenden.