NVIDIA hebt zum Earth Day fünf Projekte hervor, die Klimaforschung und Nachhaltigkeit mit KI und accelerated computing unterstützen. Der Beitrag spannt den Bogen von Wettermodellen über Wildtiermonitoring und Recycling bis zu Tsunami-Frühwarnung und satellitengestützter Erdbeobachtung.
Für Wetter- und Klimaverständnis verweist NVIDIA auf die Earth-2-Familie offener KI-Modelle, Bibliotheken und Frameworks, die als vollständig offener, beschleunigter Weather-AI-Software-Stack beschrieben wird. Earth-2 soll alle Phasen der Wettervorhersage beschleunigen, von der Verarbeitung erster Beobachtungsdaten bis zu globalen 15-Tage-Prognosen oder lokalen Sturmprognosen. Zu den Modellen gehört Earth-2 Nowcasting, das generative KI nutzt, um landesweite Vorhersagen in kilometeraufgelöste Kurzfristprognosen für lokale Stürme und gefährliches Wetter mit einem Horizont von null bis sechs Stunden in wenigen Minuten umzusetzen.
Hinzu kommt Earth-2 Global Data Assimilation, das über Earth2Studio und Hugging Face heruntergeladen werden kann. Da die Datenassimilation für Wetterdienste sehr rechenintensiv ist und beim National Weather Service laut Beitrag nahezu die Hälfte der Rechenleistung für die Vorverarbeitung roher Beobachtungen benötigt wird, soll dieses Modell Rohdaten innerhalb von Minuten auf einer einzelnen GPU in globale Momentaufnahmen der Atmosphäre umwandeln, einschließlich Temperatur, Windgeschwindigkeit, Luftfeuchtigkeit und Luftdruck. Die Modellarchitektur HealDA entstand in Zusammenarbeit mit der National Oceanic and Atmospheric Administration und MITRE.
Im Naturschutz beschreibt NVIDIA zwei Studien aus den Regenwäldern von Borneo und Sumatra, in denen GPU-beschleunigte KI die Erkennung von Orang-Utan-Nestern in Luftbildern automatisiert. Herkömmliche Erhebungen erfordern Teams, die Transekten durch dichte Wälder, Torfsümpfe und bergiges Gelände ablaufen, mit einer Abdeckung von etwa einem Kilometer pro Stunde. Drohnen können im gleichen Zeitraum Bildmaterial über 18 Kilometer erfassen, doch die manuelle Bildauswertung bleibt ein Engpass, weil geschulte Fachleute etwa eine Minute pro Bild benötigen und damit eine Flugstunde bis zu 30 Stunden Sichtung auslösen kann.
Laut einer im American Journal of Primatology veröffentlichten Studie verarbeite ein Modell zur automatisierten Nesterkennung 1.800 Bilder in weniger als fünf Minuten auf einer einzelnen GPU; trainiert wurde es mit einem Datensatz aus 800 hochauflösenden Bildern auf acht NVIDIA-GPUs. In einer weiteren in PeerJ veröffentlichten Arbeit trainierten Forschende vier KI-Modelle auf einer NVIDIA-GPU. Ein Modell auf Basis der InceptionV3-Architektur erreichte dabei nach Angaben des Beitrags mehr als 99 Prozent Genauigkeit und Präzision bei der Klassifikation von Luftbildern danach, ob Nester enthalten sind oder nicht.
Der Text ordnet dies in die Lage der Art ein: Alle drei Orang-Utan-Arten gelten als vom Aussterben bedroht, ihre Bestände seien in den vergangenen 75 Jahren um mehr als 80 Prozent zurückgegangen. Genannt werden Habitatverlust durch Palmöl-, Zellstoff- und Papierwirtschaft sowie landwirtschaftliche Expansion, Fragmentierung der Wälder, illegale Tötung und die langsame Reproduktionsrate mit Geburtenabständen von sechs bis neun Jahren. Daraus leitet der Beitrag die Bedeutung schneller und skalierbarer Monitoring-Verfahren für Schutzmaßnahmen ab.
Ein weiteres Beispiel ist AMP, ein Unternehmen aus dem NVIDIA-Inception-Programm mit Schwerpunkt Sustainable Futures. Der Beitrag beschreibt, dass konventionelle Sortieranlagen bis zu 25 Millionen US-Dollar kosten können und dennoch ein Viertel des rückgewinnbaren Materials verfehlen. AMP setze KI und Robotik ein, baue neben bereits eingesetzten Sortierrobotern auch vollständig automatisierte Anlagen, darunter ein Werk in Denver und ein Projekt in Virginia, das Wertstoffe und organische Stoffe direkt aus Restmüll abtrennt.
Nach den im Beitrag genannten Zahlen hat AMP bislang mehr als 2 Milliarden Pfund Material von Deponien ferngehalten und damit geschätzte 739.000 metrische Tonnen CO₂-Äquivalent vermieden; in dieser Zahl seien auch die Kosten für Training und Betrieb der KI-Technologien berücksichtigt. Die Anlagen erreichten eine Recovery Rate von 90 Prozent gegenüber etwa 75 Prozent bei konventionellen Anlagen. Mit NVIDIA-Hopper-GPUs habe das Unternehmen den Energieverbrauch der KI-Inferenz halbiert. Außerdem benötige AMP durch schnellere und effizientere Sortierung nur etwa zwei Drittel der Förderbänder traditioneller Anlagen gleicher Größe, was den Bedarf an Stahl und Energie senke. Für Training und Inferenz nutzt das Unternehmen NVIDIA-GPUs, TensorRT, Triton Inference Server und prüft außerdem NVIDIA Isaac Sim für Entwicklung und Optimierung in der Simulation.
Als viertes Projekt beschreibt NVIDIA ein Verfahren zur schnelleren Tsunami-Frühwarnung für die Cascadia-Verwerfung vor der Pazifikküste Nordamerikas. Dort könne es nach einem Bruch nur etwa 15 Minuten dauern, bis bis zu 30 Meter hohe Wellen die Küste von Oregon und Washington erreichen. Bestehende Warnsysteme basierten auf vereinfachten Annahmen und könnten zu verspäteten, falschen oder ausbleibenden Warnungen führen.
Das vorgestellte Verfahren löst ein inverses Problem: Aus Druckmessungen von Sensoren am Meeresboden wird zunächst auf die Bewegung des Meeresbodens zurückgeschlossen und daraus wiederum vorhergesagt, wo Wellen auf Land treffen und wie hoch sie sein werden. Das Team um Omar Ghattas und Stefan Henneking, an dem UT Austin, UC San Diego und Lawrence Livermore beteiligt waren, erhielt dafür den ACM Gordon Bell Prize. Entscheidend ist laut Beitrag die Zeitverschiebungsinvarianz der Physik eines Cascadia-Bruchs, wodurch der aufwendige Teil im Voraus berechnet werden kann. Im Ereignisfall bleibt dann nur noch eine schnelle Rechnung, die auf GPUs in unter 0,2 Sekunden abgeschlossen werde, was als 10-milliardenfache Beschleunigung gegenüber bestehenden Methoden beschrieben wird. Das System liefere nicht nur eine Prognose, sondern auch ein Unsicherheitsmaß.
Das fünfte Beispiel betrifft Planet und die Verarbeitung von Erdbeobachtungsdaten. Planet betreibt nach eigenen Angaben die größte Konstellation von Erdbeobachtungssatelliten, hat nahezu 650 Satelliten gestartet und mehr als 300 Milliarden Quadratkilometer Bildmaterial sowie 50 Petabyte Erddaten erzeugt. Der Beitrag betont, dass rohe Satellitendaten zunächst dekomprimiert, orthorektifiziert und weiterverarbeitet werden müssen, bevor sie als Bild vorliegen, wodurch sie beim Sichtkontakt bereits Stunden alt sein können.
In einer dreimonatigen Zusammenarbeit mit NVIDIA entstand laut Beitrag eine GPU-native Pipeline, die rohe komprimierte Satellitendaten direkt verarbeitet. Im Vergleich zu traditionellen Architekturen, die aus einer Zeit mit teurer Rechenleistung und günstigem Speicher stammten, könne derselbe Vorgang damit um den Faktor 100 bis 300 schneller ablaufen. Als konkretes Beispiel nennt der Beitrag Waldbrand-Erkenntnisse in Sekunden statt Stunden, um Einsatzkräften schneller Sicht auf aktuelle Entwicklungen zu geben.
