KI und die schwierigen Probleme der Welt · Erd- & Klimawissenschaften · arXiv · 2026-10-20
Interpretierbarkeit von KI-Wettermodellen durch Zwischendekodierung
Originaltitel: Interpretability of AI weather models via intermediate decoding
KI-Wettermodelle sind schwer zu interpretieren, weil ihre internen Repräsentationen physikalisch nicht aussagekräftig sind. Die Autoren dekodieren latente Zwischenzustände zurück in meteorologische Felder und verwenden dabei affine Transformationen, um sie an den Eingaberaum des Decoders anzupassen. Angewandt auf GraphCast, Aurora und ArchesWeather zeigt die Methode, dass sich die Vorhersagegüte über die Prozessorschichten hinweg schrittweise verbessert. Die Modelle verfeinern die Vorhersagen außerdem von groben zu feinen räumlichen Skalen, und der Encoder-Decoder spielt bei der Konstruktion der Vorhersage eine wichtige Rolle.