Eine künstliche Intelligenz kann inzwischen glaubwürdige Szenarien für extreme Regenfälle erzeugen, selbst wenn kein ebenso heftiges Ereignis in ihren Trainingsdaten vorkommt.
Eine Stadt auf eine seltene Katastrophe vorzubereiten, bringt ein einfaches Problem mit sich: Gerade wenn das Risiko am größten wird, fehlen die Beispiele. Ein außergewöhnlicher Regen taucht per Definition nur selten in den Aufzeichnungen auf. Viele Modelle lernen jedoch vor allem aus dem, was bereits geschehen ist.
Blitze während eines Gewitters nahe Mudanya in der Türkei am 16. Juni.
Bildnachweis: Uğur İkizler
Forscher des Massachusetts Institute of Technology haben eine Methode entwickelt, um diese Einschränkung zu umgehen. Sie trägt den Namen Extreme Event Aware Learning und versucht nicht, den nächsten Sturm vorherzusagen. Ihr Ziel ist ein anderes: zahlreiche sehr seltene, aber statistisch plausible Ereignisse zu entwerfen.
Um sie zu testen, stützte sich das Team auf 25 Jahre stündlicher Niederschlagsdaten für die kontinentalen Vereinigten Staaten. Diese Daten wurden zu Tageskarten zusammengefasst. Der Teil des Modells, der die detaillierte Form der Niederschläge lernen sollte, nutzte jedoch nur die ersten sechs Monate. Dieser kurze Zeitraum enthielt wenige oder gar keine der extremsten Ereignisse. So konnten die Forschenden seine Vorhersagen mit der Realität vergleichen.
Wie kann es also stärkere Regenfälle erzeugen als jene, die es gesehen hat? Die Idee besteht darin, zwei Informationen zu trennen. Einerseits lernt das System, wie Niederschlagskarten aussehen: ihre Form, ihre Ausdehnung und ihre räumliche Struktur. Andererseits geben Statistiken an, wie häufig bestimmte Intensitäten auftreten können.
Diese Statistiken dienen als Leitplanke. Die KI kann nicht einfach zufällig eine spektakuläre Karte erfinden. Sie muss Konfigurationen vorschlagen, die mit dem gewünschten Grad an Seltenheit vereinbar sind.
Ein Stadtplaner könnte so fragen, wie ein Regen aussehen würde, der ungefähr einmal in einem Jahrhundert auftreten kann. Das Modell erzeugt dann zahlreiche mögliche Szenarien mit unterschiedlichen betroffenen Gebieten und Intensitäten. Die Forschenden nennen als Beispiel ein Ereignis, bei dem 300 mm Regen fallen, obwohl der beobachtete Rekord bei 200 mm läge.
Dieser Unterschied ist für das Risikomanagement wichtig. Eine Stadt könnte ein Entwässerungsnetz, einen Deich oder andere Infrastrukturen anhand mehrerer schwerer Szenarien testen. Sie wäre nicht mehr auf die Katastrophen beschränkt, die bereits in den Aufzeichnungen vorkommen.
Die Forschenden schätzen, dass ein ähnliches Prinzip für andere Risiken wie Überschwemmungen und Waldbrände eingesetzt werden könnte. Auch sehr unterschiedliche Bereiche, etwa die Fortbewegung von Robotern oder Kurse an den Finanzmärkten, könnten damit untersucht werden.