> ## Content Index
> Fetch the complete content index at: https://www.aigood.news/llms.txt
> Use this file to discover other available public pages before exploring further.

# Warum schnellere Klimamodelle mehr Zukünfte sichtbar machen
- URL: https://www.aigood.news/warum-schnellere-klimamodelle-mehr-zukunfte-sichtbar-machen/
- Published: 2026-11-10T06:00:00.000Z
- Updated: 2026-11-10T05:59:59.000Z
- Author: Roger Basler de Roca
- Tags: Klima & Umwelt, Forschung & Wissenschaft, Künstliche Intelligenz

*TLDR: Forschende der UC San Diego und des Allen Institute for AI haben ein generatives KI-Modell gebaut, das ein etabliertes Klimamodell rund 25-mal schneller nachbildet. Statt eines Supercomputers reicht ein GPU-Cluster, wie ihn auch Forschungslabore betreiben. Der Gewinn liegt weniger in der Geschwindigkeit selbst als darin, dass sich mit derselben Rechenzeit viele mögliche Entwicklungen berechnen lassen. Die Studie zeigt aber auch, wo solche Modelle noch an Grenzen stossen.*

#### Eine einzige Zukunft reicht nicht

Klimaprojektionen funktionieren anders als ein Wetterbericht. Das Klimasystem reagiert empfindlich auf kleine Unterschiede in den Ausgangsbedingungen. Wer belastbare Aussagen über die nächsten Jahrzehnte treffen will, muss deshalb viele Varianten durchrechnen und beobachten, wie stark sie auseinanderlaufen. Erst diese Bandbreite, das sogenannte Ensemble, zeigt, wie sicher eine Aussage ist.

Hier stossen klassische Modelle an ihre Grenzen. Sie lösen physikalische Gleichungen für Atmosphäre, Ozean und Land auf einem globalen Gitter. Ein einzelner Lauf über Jahrzehnte belegt einen Supercomputer über Wochen. Entsprechend wenige Varianten werden gerechnet. Unsicherheit bleibt so oft eine Schätzung, statt gemessen zu werden.

#### Wie ein KI-Emulator rechnet

Das Team um Salva Rühling Cachay und Rose Yu von der UC San Diego geht einen anderen Weg. Ihr Modell Spherical DYffusion löst keine Gleichungen. Es lernt aus den Ergebnissen eines physikbasierten Modells, wie sich das Klima Schritt für Schritt entwickelt. Vorbild ist eine vereinfachte Version von FV3GFS, dem wichtigsten operativen Vorhersagemodell der USA.

Technisch nutzt das Modell dasselbe Prinzip wie Bildgeneratoren. Ein Diffusionsmodell beginnt mit zufälligem Rauschen und verfeinert es schrittweise zu einem plausiblen Zustand der Atmosphäre. Weil die Erde keine flache Fläche ist, arbeitet das Modell direkt auf einer Kugelgeometrie. Jeder Durchlauf startet mit anderem Rauschen und liefert deshalb eine leicht andere, physikalisch stimmige Variante. Das Ensemble ist damit in die Methode eingebaut.

Physik steckt in diesem Ansatz nur indirekt, über die Trainingsdaten. Das Modell ist so gut wie das Modell, von dem es lernt.

#### Was die Zahlen zeigen

Für eine Simulation über zehn Jahre braucht Spherical DYffusion knapp drei Stunden. Das physikbasierte Vorbild benötigt dafür rund 78 Stunden. Stabile Simulationen über 100 Jahre dauern etwa 25 Stunden. Die Arbeit wurde Ende 2024 an der Konferenz NeurIPS vorgestellt, der Code ist öffentlich.

Die Studie benennt auch die Grenzen. Über alle 34 vorhergesagten Klimagrössen liegen die systematischen Abweichungen innerhalb von 50 Prozent des physikalischen Referenzmodells. Das ist mehr als doppelt so gut wie die besten bisherigen KI-Ansätze, aber noch nicht gleichwertig mit dem Original. Am grössten sind die Abweichungen in grosser Höhe und in den Polarregionen. Zudem rechnet das Modell mit sich jährlich wiederholenden Meerestemperaturen und konstanten Treibhausgaskonzentrationen. Szenarien eines sich erwärmenden Klimas kann es in dieser Form noch nicht abbilden.

#### Was Geschwindigkeit hier bedeutet

Man kann die Studie als Effizienzgewinn lesen: weniger Rechenzeit, weniger Energie, tiefere Kosten. Das trifft zu. Wichtiger ist, was sich dadurch an den Fragen ändert. Wenn ein Lauf Stunden statt Wochen dauert, lassen sich Hunderte Varianten rechnen statt einer Handvoll. Forschungsgruppen ohne Zugang zu Supercomputern können eigene Szenarien prüfen. Regionale Behörden könnten künftig Varianten für ihre Planung durchspielen, statt mit einer einzigen Kurve zu arbeiten.

Gleichzeitig zeigt der Emulator ein Muster, das weit über die Klimaforschung hinausreicht. Ein schnelles Modell, das von einem langsamen lernt, übernimmt dessen Annahmen und fügt eigene Fehler hinzu. Es ersetzt das Original nicht, es macht dessen Logik breiter nutzbar. Für Entscheider:innen heisst das: Schnellere Modelle liefern mehr Szenarien, keine höhere Gewissheit. Wer beides auseinanderhält, kann die neue Geschwindigkeit nutzen, ohne ihr blind zu vertrauen.

Die neue Geschwindigkeit macht Unsicherheit bezahlbar. Kleiner macht sie sie nicht.

#### Die wichtigsten Punkte zum Schluss

- Spherical DYffusion von UC San Diego und dem Allen Institute for AI bildet ein etabliertes Klimamodell rund 25-mal schneller nach.
- Eine Simulation über zehn Jahre dauert knapp drei Stunden statt rund 78 Stunden, 100 Jahre lassen sich in etwa 25 Stunden rechnen.
- Das Modell läuft auf einem GPU-Cluster statt auf einem Supercomputer und erzeugt mit jedem Lauf eine eigene, physikalisch stimmige Variante.
- Die Abweichungen liegen innerhalb von 50 Prozent des Referenzmodells, deutlich besser als frühere KI-Ansätze, aber noch nicht gleichwertig.
- Szenarien mit steigenden Treibhausgasen kann das Modell in der aktuellen Form noch nicht abbilden.
- Der grösste Nutzen liegt in der Zahl der Szenarien, die sich mit derselben Rechenzeit prüfen lassen.

#### Disclaimer

Dieser Artikel wurde nach meinem eigenen Wissen und dann mit Recherchen mit KI (Perplexity.Ai und Gemini.Google.com) manuell zusammengestellt und mit Deepl.com/write vereinfacht. Der Text wird dann nochmals von zwei Personen meiner Wahl gelesen und kritisch hinterfragt. Das Bild stammt aus KI-generierter Bildgebung (GPT Image via Higgsfield). Dieser Artikel ist rein edukativ und erhebt keinen Anspruch auf Vollständigkeit. Bitte melde dich, wenn Du Ungenauigkeiten feststellst, danke.

Und darum bin ich nach wie vor überzeugt: Die Zukunft gehört nicht mehr dem Tippen und Klicken, sondern dem gemAInsamen Arbeiten mit intelligenten Systemen, deren Grenzen wir genauso gut kennen wie ihre Stärken. Also wenn Du reden willst, und wenn Du mit mir zusammenarbeiten willst: melde Dich gerne [www.rogerbasler.ch](https://www.rogerbasler.ch/?ref=aigood.news)

#### Quellen und weitere Informationen

Buntz, B. (2024, 2\. Dezember). How generative AI gave climate modeling a 25x speed boost. R&D World. [https://www.rdworldonline.com/how-generative-ai-gave-climate-modeling-a-25x-speed-boost/](https://www.rdworldonline.com/how-generative-ai-gave-climate-modeling-a-25x-speed-boost/?ref=aigood.news)

Patringenaru, I. (2024, 2\. Dezember). Accelerating climate modeling with generative AI. UC San Diego Today. [https://today.ucsd.edu/story/accelerating-climate-modeling-with-generative-ai](https://today.ucsd.edu/story/accelerating-climate-modeling-with-generative-ai?ref=aigood.news)

Rühling Cachay, S., Henn, B., Watt-Meyer, O., Bretherton, C. S., & Yu, R. (2024). Probabilistic emulation of a global climate model with Spherical DYffusion. *Advances in Neural Information Processing Systems, 37*. [https://arxiv.org/abs/2406.14798](https://arxiv.org/abs/2406.14798?ref=aigood.news)