HiRO-ACEv2: Wie das Allen Institute for AI globale Extremwettersimulationen auf 3 Kilometer Auflösung skaliert

Zweistufige Architektur: Stochastische Emulation trifft auf korrigierende Diffusion

Das in Zusammenarbeit zwischen Ai2 und dem NOAA-GFDL entwickelte HiRO-ACE-Framework umgeht diese Engpässe durch eine zweistufige Architektur des maschinellen Lernens [2, 3]. Beide Systemkomponenten wurden auf demselben Datensatz trainiert, der aus einer zehnjährigen globalen 3-Kilometer-Simulation von X-SHiELD (Zeitraum 2014 bis 2023, angetrieben durch historische Meeresoberflächentemperaturen) abgeleitet wurde [2, 4]. Um den enormen Speicherbedarf der dreidimensionalen 3-Kilometer-Rohdaten während des Laufs zu begrenzen, wurden die 6-stündlichen Ausgaben von X-SHiELD direkt auf ein 100-Kilometer-Zwischengitter vergröbert, während ausgewählte Oberflächenfelder in ihrer nativen 3-Kilometer-Auflösung für das Training des Downscalers erhalten blieben [2, 4].

Das architektonische Grundprinzip zielt darauf ab, dass sowohl der globale Emulator als auch das Downscaling-Modell unverzerrte Wahrscheinlichkeitsdichtefunktionen (Probability Density Functions, PDFs) ihrer jeweiligen Ausgabefelder erzeugen [2, 4]. Dadurch lassen sich beide Komponenten unabhängig voneinander entwickeln und trainieren, im Anschluss jedoch nahtlos hintereinanderschalten, ohne dass eine nachträgliche Feinabstimmung (Fine-Tuning) des Downscalers auf die Emulator-Ausgaben erforderlich ist [2, 3].

Stufe 1: Der stochastische globale Emulator ACE2S

Auf der ersten Stufe arbeitet mit ACE2S eine stochastische Variante des Ai2 Climate Emulator auf einem globalen Gitter von 1 mal 1 Grad, was etwa 100 Kilometern entspricht [2, 4]. Das Modell erzeugt in autoregressiven 6-Stunden-Schritten globale atmosphärische Zustandsgrößen wie Temperatur, Luftfeuchtigkeit, Wind und Niederschlag [2, 3]. Das Training erfolgt zweistufig: Zunächst lernt das Modell die grundlegende atmosphärische Dynamik anhand des umfangreichen historischen ERA5-Reanalysedatensatzes, bevor es auf den vergröberten 100-Kilometer-Daten von X-SHiELD feinabgestimmt wird [2, 4].

Die Entscheidung für ein stochastisches Design ist technisch ausschlaggebend: Herkömmliche deterministische KI-Wettermodelle mitteln über mögliche Wetterzustände hinweg, was auf Gitterebene zu unscharfen, geglätteten Niederschlagsfeldern führt [2, 3]. ACE2S hingegen nutzt eine bedingte Schichtnormalisierung (Conditional Layer Normalization), um gezielt Rauschen zu injizieren, und wird mit einer probabilistischen Verlustfunktion trainiert [2, 4]. Dadurch zieht der Emulator bei jedem Zeitschritt eine realistische Zufallsstichprobe aus der Wahrscheinlichkeitsverteilung möglicher Wetterzustände und bewahrt exakt jene räumliche Variabilität und jenes Leistungsspektrum, die das nachgelagerte Downscaling-Modell als Eingabe benötigt [2, 4].

Stufe 2: 32-fache Auflösungssteigerung mittels Diffusionsmodell HiRO

Auf der zweiten Stufe übernimmt das Downscaling-Modell HiRO die groben 100-Kilometer-Felder und überführt sie in einem 32-fachen Vergrößerungsschritt auf das feine 3-Kilometer-Gitter [2, 3]. Das Modell ist für beliebige Regionen der Erde zwischen 65 Grad südlicher und 65 Grad nördlicher Breite (also mit Ausnahme der Polargebiete) einsetzbar [2, 4]. Methodisch stützt sich HiRO auf den sogenannten CorrDiff-Ansatz (Corrective Diffusion), bei dem ein generatives Diffusionsmodell darauf trainiert wird, eine Korrektur auf eine erste Mittelwertschätzung anzuwenden [2, 4, 5].

Während die ursprüngliche CorrDiff-Methodik ein separates maschinelles Lernmodell einsetzt, um diesen initialen Mittelwert vorherzusagen, verwendet Ai2 eine recheneffiziente bikubische Interpolation der groben 100-Kilometer-Eingabefelder [2, 4]. Das Diffusionsmodell fügt anschließend stochastisch die feinskalige räumliche Organisation hinzu – und verwandelt so eine unscharfe regionale Niederschlagszone in klar abgegrenzte Regenbänder, Gewitterfronten oder topografisch bedingte Steigungsregen [2, 3]. Da beide Stufen probabilistisch arbeiten, können Sie als Anwender sowohl auf globaler Wetterebene als auch auf lokaler Sturmebene Ensembles generieren, um Unsicherheiten systematisch zu quantifizieren [2, 3].

Der Leistungssprung in HiRO-ACEv2: Präzision im äußersten Extrembereich

Obwohl bereits die erste Version von HiRO-ACE die Verteilung von Niederschlagsraten bis zum 99,99. Perzentil (rund 500 Millimeter pro Tag) zuverlässig abbildete und beim zeitlichen Mittelwert fast weltweit Abweichungen von unter 10 Prozent aufwies, zeigte die detaillierte Auswertung des Fachpapiers aus dem Dezember 2025 eine Schwachstelle an den äußersten Rändern der Verteilung [2, 3, 4]. Bei den extremsten Niederschlagsereignissen in X-SHiELD von über 1.000 Millimetern pro Tag – gemessen am 99,9999. Perzentil – erreichten das isolierte Downscaling (Perfect Prediction) und das gekoppelte System HiRO-ACE lediglich 78 beziehungsweise 73 Prozent des Zielwerts von X-SHiELD [2]. Ursache hierfür waren vor allem isolierte konvektive Stürme über tropischen Ozeanen, die auf dem 100-Kilometer-Gitter auf moderate Raten von 100 bis 200 Millimetern pro Tag gedämpft wurden und in den Trainingsdaten nur in rund 0,2 Prozent der Fälle tatsächlich mit extremen 3-Kilometer-Ereignissen korrespondierten [2].

Genau an diesem Punkt setzt das im Oktober 2026 vorgestellte Update HiRO-ACEv2 an [1]. Durch gezielte Anpassungen am Trainingsprozess von HiROv2 konnte das Team von Ai2 die Reproduktion der intensivsten Niederschlags-, Wind- und Druckwerte erheblich steigern [1]. Wird HiROv2 mit vergröberten X-SHiELD-Daten gespeist, stimmt die erzeugte hochauflösende Statistik laut den veröffentlichten Testergebnissen bis auf 3 Prozent mit der Zielsimulation überein – und zwar selbst bei extrem seltenen Ereignissen, die nur einmal unter einer Million Datenpunkten (entsprechend dem 99,9999. Perzentil) auftreten [1].

Darüber hinaus belegen die Auswertungen von Ai2 weitreichende Verbesserungen bei der physikalischen Konsistenz komplexer Wettersysteme, wenn das aktualisierte ACE-Modell und HiROv2 gekoppelt betrieben werden [1]:

• Energetik tropischer Wirbelstürme: HiROv2 schätzt die Gesamtenergie tropischer Zyklone präzise ab, einschließlich solcher Stürme, die im Trainingsdatensatz nicht enthalten waren; auch über einen zehnjährigen gekoppelten Simulationslauf von HiRO-ACEv2 liegt die Hurrikan-Energie auf einem mit X-SHiELD vergleichbaren Niveau [1].
• Struktur von Hurrikanen: Das Modell generiert Wirbelstürme mit realistisch ausgeprägten Augen und spiralförmigen Regenbändern, wenngleich die Entwickler transparent anmerken, dass die Wind- und Druckverteilungen unmittelbar um das Auge herum noch etwas asymmetrischer ausfallen als in der physikalischen X-SHiELD-Referenz [1].
• Topografische Windeffekte: Durch die Hinzunahme des Windfeldes bildet HiROv2 nun auch starke Winde, die an Gebirgshängen herabströmen, realistisch ab [1].
• Langzeitstabilität des Emulators: In einem 10-Jahres-Lauf des aktualisierten ACE-Modells decken sich die Häufigkeit und Stärke von Hurrikanen, die mittleren Klimamuster sowie die Gesamtverteilungen von Regen, Wind und Luftdruck eng mit den Vorgaben von X-SHiELD [1].
• Globale 3-Kilometer-Validierung: Ein vollständiges simuliertes Jahr an globalen 3-Kilometer-Daten, das allein auf Basis eines freien ACE-Laufs (ohne Rückgriff auf echte X-SHiELD-Eingaben während der Inferenz) erzeugt wurde, zeigt eine hohe statistische Übereinstimmung mit dem physikalischen Zielmodell [1].

Rechenökonomie, Hardwarebedarf und geplante Beschleunigung

Für Forschungsabteilungen und Unternehmen, die eigene Klimasimulationen betreiben wollen, liefert die Dokumentation von Ai2 präzise Anhaltspunkte zur Hardware- und Kostenkalkulation [1, 2, 3]. Der dominierende Kostenfaktor liegt in der einmaligen Erzeugung des zehnjährigen physikalischen Referenzdatensatzes mit X-SHiELD, der jedoch vielfältigen wissenschaftlichen Zwecken dient [2, 4]. Das eigentliche Training der KI-Modelle ist vergleichsweise moderat: Für die erste Systemgeneration benötigte das Training von ACE2S rund 7 Tage und das Training von HiRO 4 Tage auf einem System mit jeweils acht NVIDIA H100 GPUs [2, 4].

Im produktiven Inferenzbetrieb spielt die zweistufige Architektur ihre Geschwindigkeitsvorteile voll aus [2, 3]. Auf einer einzelnen NVIDIA H100 GPU erreicht der globale Emulator ACE2S eine Geschwindigkeit von rund 1.500 simulierten Jahren pro Tag auf dem 100-Kilometer-Gitter – derselbe Durchsatz wie beim ursprünglichen deterministischen ACE2-Modell [2, 4]. Das anschließende Downscaling eines einzelnen regionalen Ausschnitts von 16 mal 16 Grad für ein volles Simulationsjahr (in 6-Stunden-Intervallen) beansprucht auf einer H100 GPU etwa 45 Minuten [2, 4]. Damit lassen sich innerhalb eines einzigen Tages jahrzehntelange hochauflösende Regionalprojektionen auf einer einzigen Grafikkarte erstellen [2, 3].

Bei der globalen Generierung von 3-Kilometer-Daten reduziert HiRO-ACEv2 die Kosten im Vergleich zu einem X-SHiELD-Lauf um etwa den Faktor 300 [1]. Da sich das Downscaling mit HiRO gezielt auf frei wählbare Regionen und Zeiträume beschränken lässt, wächst dieser Kostenvorteil bei rein regionalen Analysen je nach Gebietsgröße noch einmal um mehr als das Hundertfache an [1, 2]. Zudem arbeitet Ai2 nach eigenen Angaben an einer verschlankten Variante von HiROv2, die die Inferenzgeschwindigkeit um mehr als das Zehnfache weiter steigern könnte [1]. Bereits im Grundlagenpapier wiesen die Autoren darauf hin, dass sich die Rechenzeit des Downscalers durch eine Modell-Destillation des Diffusions-Denoisers um eine Größenordnung senken ließe [2, 4].

Methodische Grenzen und die Entwicklungs-Roadmap von Ai2

Trotz der hohen statistischen Güte bei Extremereignissen unterliegt HiRO-ACEv2 derzeit noch klaren methodischen Einschränkungen, die Sie bei einer potenziellen Evaluierung berücksichtigen müssen [1]. Da das Downscaling-Modell HiRO ausschließlich anhand von X-SHiELD-Simulationen trainiert wurde, funktioniert es aktuell nur im Zusammenspiel mit genau jener Version des ACE-Emulators, die auf die Charakteristika von X-SHiELD abgestimmt ist [1].

Das bedeutet in der Praxis, dass HiRO-ACEv2 zum gegenwärtigen Zeitpunkt noch keine hochauflösenden 3-Kilometer-Daten für abweichende Klimaregime erzeugen kann [1]. Weder lassen sich damit direkt historische Beobachtungs- und Reanalysedatensätze wie ERA5 herunterskalieren, noch kann das System ohne Weiteres Projektionen für eine deutlich wärmere Zukunft generieren [1]. Die zugrundeliegende 10-Jahres-Simulation von X-SHiELD bildet lediglich das gegenwärtige Klima unter historischen Meeresoberflächentemperaturen ab [2, 4].

Um diese Limitierung aufzuheben, hat Ai2 zwei konkrete Entwicklungsschritte angekündigt [1]. Erstens soll das System auf neuen X-SHiELD-Datensätzen trainiert werden, darunter einer Simulation, die eine um 4 Grad Celsius wärmere Welt abbildet, um das Modell für unterschiedliche Klimazustände und Klimawandelszenarien zu befähigen [1]. Zweitens plant das Forschungsteam, das Spektrum der Ausgabevariablen über Niederschlag, Wind und Luftdruck hinaus um Größen wie die bodennahe Lufttemperatur sowie Schnee- und Eisbedeckung zu erweitern [1]. Dies würde zusätzliche Anwendungsfelder eröffnen, etwa die lokale Vorhersage von Schneedecken in Gebirgen, die für die Trinkwasserversorgung und Wasserkraftnutzung von Städten entscheidend sind [1, 3].

Bedeutung für B2B-Risikoanalytik und praktischer Zugang

Aus analytischer Sicht markiert der Übergang zu schnellen, multivariaten KI-Downscaling-Systemen wie HiRO-ACEv2 einen wichtigen Schritt, um hochauflösende Klimadaten aus der reinen Grundlagenforschung in die unternehmerische und kommunale Praxis zu überführen [2, 3]. Während die ersten Versionen des Ai2 Climate Emulator vornehmlich von Universitäten und staatlichen Modellierungszentren genutzt wurden – etwa an der Boston University unter Professorin Elizabeth Barnes zur Untersuchung historischer Schwankungen der tropischen Wirbelsturmaktivität –, rückt mit dem 3-Kilometer-Downscaling die lokale Folgenabschätzung in den Fokus [3].

In der gewerblichen Klimarisiko-Analytik stößt dieser Ansatz bereits auf konkretes Interesse [3]. Josh Hacker, Chief Science Officer beim Klimaanalytik-Anbieter Jupiter Intelligence, betonte anlässlich der Einführung von HiRO-ACE, dass bereits ACE2 die Wahrscheinlichkeitsbewertung verschiedenster Extremwettertypen über unterschiedliche Dauern und räumliche Ausdehnungen hinweg ermöglicht habe, was mit früheren Methoden nicht realisierbar gewesen sei; HiRO-ACE bringe diese Fähigkeit nun auf die lokale Skala, die Entscheidungsträger in der Praxis benötigten [3]. Durch das in Version 2 ergänzte simultane Downscaling von Wind- und Druckfeldern lassen sich nun insbesondere kombinierte Gefahren durch Sturmfluten, Orkanböen und Starkregen bei Hurrikanen oder topografischen Windereignissen auf lokaler Ebene konsistent untersuchen [1, 3].

Wenn Sie die Leistungsfähigkeit von HiRO-ACEv2 für eigene Anwendungsfälle prüfen möchten, stellt Ai2 mehrere frei zugängliche Ressourcen bereit [1]. Über eine interaktive Web-Demo lassen sich vorberechnete Ausgaben für Niederschlag, Wind und Luftdruck von HiROv1 und HiROv2 direkt neben den Originaldaten von X-SHiELD visuell vergleichen und auf spezifische Zielregionen wie den Nordostpazifik oder Baja California vergrößern, ohne eigene Inferenzrechnungen starten zu müssen [1]. Für weitergehende quantitative Analysen stehen die Modellgewichte von HiRO-ACEv2 auf der Plattform Hugging Face zum Download bereit, ergänzt durch das zugehörige Fachpapier auf arXiv sowie Tutorial-Notebooks für die praktische Ausführung [1, 3].

Quellen

1. [1] HiRO-ACEv2: Simulating extreme weather at 3 km resolution for a fraction of the cost — https://huggingface.co/blog/allenai/hiro-acev2 (abgerufen am 2026-10-14)
2. [2] HiRO-ACE: Fast and skillful AI emulation and downscaling trained on a 3 km global storm-resolving model — https://arxiv.org/html/2512.18224v1 (abgerufen am 2026-10-14)
3. [3] HiRO-ACE: An accessible solution for kilometer-scale climate simulation | Ai2 — https://allenai.org/blog/hiro-ace (abgerufen am 2026-10-14)
4. [4] (PDF) HiRO-ACE: Fast and skillful AI emulation and downscaling trained on a 3 km global storm-resolving model — https://www.researchgate.net/publication/398979934_HiRO-ACE_Fast_and_skillful_AI_emulation_and_downscaling_trained_on_a_3_km_global_storm-resolving_model (abgerufen am 2026-10-14)
5. [5] HiRO: A Diffusion-Based Downscaling Tool for the Ai2 Climate Emulator (ACE) — https://agu.confex.com/agu/agu25/meetingapp.cgi/Paper/1978825 (abgerufen am 2026-10-14)