KI und die schwierigen Probleme der Welt · Erd- & Klimawissenschaften · arXiv · 2026-10-22
Attribute tropischer Zyklone in Sparse-Autoencoder-Merkmalen eines KI-Wettermodells
Originaltitel: Tropical Cyclone Attributes in Sparse Autoencoder Features of an AI Weather Model
Um zu verstehen, wie KI-Wettermodelle tropische Zyklone intern darstellen, analysierten die Autoren Sparse-Autoencoder-Aktivierungen in GraphCast über 2.115 sechsstündige Zeitschritte von 205 Zyklonen und setzten sie zu Position, Intensität und Druckstruktur über fünf Layer-8-Zerlegungen und 16 Prozessorschichten in Beziehung. Jedes Attribut ist mit mehreren Merkmalen verknüpft, die Beziehungen von Position und Druckstruktur überlappen in einer kleineren Teilmenge, und diese Organisation wiederholt sich über unabhängige SAEs und Schichten hinweg ohne Merkmalsausrichtung. In tieferen Schichten richtet sich das führende Positionsmerkmal besser an Position und Druckstruktur sechs Stunden im Voraus aus als zum jetzigen Zeitpunkt, was darauf hindeutet, dass die Attribut-Beziehungs-Organisation eine reproduzierbare Beschreibungsebene zur Interpretation zyklonbezogener Informationen in GraphCast ist.