Die Universität Manchester hat mit Nvidia ein System entwickelt, das Luftverschmutzung über dem gesamten Vereinigten Königreich vorhersagt – statt mit klassischen Chemie-Modellen nun mit generativen KI-Frameworks. Das spart enorm Rechenzeit und eröffnet neue Anwendungen in der Gesundheitsvorsorge und Notfallplanung.
Kurz & knapp
- David Topping, Professor an der University of Manchester, trainierte Earth-2 CorrDiff und Earth-2 StormCast auf Isambard-AI, Großbritanniens nationalem KI-Supercomputer in Bristol
- Das Modell wurde mit einem Jahr UK-Luftverschmutzungsdaten (stündliche Auflösung) trainiert und erreicht eine räumliche Auflösung von 2–3 Quadratkilometern
- Trainingszeit: zwei Tage auf einem einzelnen 8-GPU-Knoten; das Modell läuft jetzt auf einem DGX Spark (Desktop-Supercomputer)
- Hintergrund: Luftverschmutzung verursacht geschätzt 30.000 Todesfälle pro Jahr im UK – traditionelle Chemie-Modelle sind zu langsam und teuer für häufige, detaillierte Prognosen
Warum generative Frameworks schneller sind
Traditionale Luftqualitätsmodelle kombinieren Wetter- und Chemie-Gleichungen. Das Problem: "Sobald man Chemie in Wettermodelle einbaut, werden sie wirklich, wirklich langsam", erklärt Topping. Nvidia Earth-2 nutzt stattdessen generative Downscaling-Techniken, die bereits für Wettervorhersagen bewährt sind – und funktionieren auch für Schadstofffelder.
Das Team trainierte Earth-2 CorrDiff (ein generatives Downscaling-Modell) auf Isambard-AI und kombinierte es später mit Earth-2 StormCast, das zeitabhängige Vorhersagen direkt aus Luftqualitätsbeobachtungen ableitet. Das Modell funktionierte beim ersten Versuch.
Vom Supercomputer auf den Schreibtisch
Das Bemerkenswerte: Was auf einem nationalen Supercomputer trainiert wurde, läuft jetzt auf einem DGX Spark – einem Personal-AI-Supercomputer, der auf einen Schreibtisch passt. Das demokratisiert die Anwendung erheblich. Hao Zhang, Doktorand an der University of Manchester, betont die Flexibilität: "Die Möglichkeit, zwischen verschiedenen Nvidia-Frameworks zu wechseln, war wirklich beeindruckend."
Praktische Anwendungen: Von Gesundheit bis Notfall
Topping sieht mehrere Einsatzszenarien:
| Anwendung | Nutzen |
|---|---|
| Gesundheitsvorsorge | Nationale und regionale Gesundheitsdienste könnten Asthma-Patienten proaktiv warnen, wenn Luftverschmutzung in ihrer Region ansteigt |
| Politische Szenarien | Das Modell erlaubt Prognosen, wie sich unterschiedliche Umweltpolitik auswirkt |
| Echtzeit-Entscheidungen | Kombiniert mit Edge-AI-Sensoren könnte das System bei Waldbränden oder Industrieunfällen Echtzeit-Luftqualitätsdaten verarbeiten |
"Um die menschliche Gesundheit zu verbessern, ist es wesentlich, die Auswirkungen von Umweltbelastungen in der Luft, die wir atmen, zu verstehen. Unser UK-weites Verschmutzungsmodell ermöglicht es uns, potenzielle zukünftige Szenarien zu modellieren."
— David Topping, University of Manchester
Niall Robinson, Developer Relations Manager für Weather and Climate bei Nvidia, fasst die Bedeutung zusammen: "Die Tatsache, dass dieses Modell in zwei Tagen auf Isambard-AI trainiert wurde und jetzt auf einem DGX Spark auf einem Schreibtisch läuft, verändert, wer diese Wissenschaft betreiben kann und wie schnell."
Was das für deutsche Unternehmen bedeutet
Das Projekt zeigt ein Muster, das für Deutschland relevant ist: Spezialisierte KI-Modelle für Umweltüberwachung und Gesundheitsschutz werden praktikabel. Deutsche Behörden, Umweltämter und Krankenkassen könnten ähnliche Systeme für regionale Luftqualität, Pollenflug oder Feinstaubbelastung aufbauen – ohne dass dafür nationale Supercomputer nötig wären. Die Kombination aus Frameworks wie Earth-2 und erschwinglicher Hardware macht das realistisch. Gleichzeitig stellt sich die Frage, wie deutsche Institutionen Zugang zu solchen Trainings-Infrastrukturen bekommen und wie die Modelle mit lokalen Daten kalibriert werden müssen.
Quellen
Redaktionell verantwortet von Ideal Syka. Quellen und Arbeitsweise: Redaktion & Methode. Hinweise und Korrekturen: ai@i6eal.de.
