Das unsichtbare Extrem denken: die statistische Wette des MIT und ihr mathematischer Preis

Wetterereignisse ohne historisches Vorbild vorherzusagen gehört zu den schwierigsten Aufgaben für datenbasierte Modelle: Ihre Unsicherheit explodiert gerade dort, wo Beispiele aus der Vergangenheit fehlen. Um diese Grenze zu überwinden, schlägt eine am 20. August 2026 in Nature Communications erschienene Studie mit dem Titel „Extreme Event Aware (η-) Learning“ (Artikel s41467-026-76811-x) vor, das Training über die Statistik einer Observablen zu binden, die das Ausmaß der Extremität anzeigt. Die Autoren, der Doktorand Kai Chang und Professor Themis Sapsis vom MIT Center for Computational Science and Engineering, haben diese Nebenbedingung als 1-Wasserstein-Term in die Verlustfunktion eingebaut. Kai Chang erklärte gegenüber MIT News, Ziel sei es, „extreme und beispiellose Ereignisse zu modellieren, die niemand je gesehen hat und die nicht im Datensatz stehen“.

Getestet wurde das Verfahren an einer Downscaling-Aufgabe für Niederschlag auf dem Datensatz ERA5-Land: stündlicher Gesamtniederschlag über den kontinentalen USA von 1999 bis 2023, zu Tageskarten aggregiert. Der räumliche Teil des Modells wurde ausschließlich mit den ersten sechs Monaten der Reihe trainiert — einem Zeitraum, der laut MIT so gut wie keine Beispiele extremer Regenfälle enthielt. Die Auswertung erfolgte an 9.044 gepaarten Karten in hoher und niedriger Auflösung. Der Ansatz entstand, um Planern zu helfen, Worst-Case-Szenarien ohne historisches Vorbild zu beziffern, etwa das von Themis Sapsis genannte „Katrina, das alle hundert Jahre eintritt“. Die Mitteilung des MIT bringt das Problem als Frage auf den Punkt: Wenn der extremste je in New York gemessene Regen 200 Millimeter beträgt, welcher Sturm brächte 300? Das ist die Formulierung der Frage, kein Ergebnis des Modells.

Der Griff über die historischen Daten hinaus hat allerdings seinen Preis bei der punktuellen Genauigkeit. Nach den Zahlen des arXiv-Preprints (ein Abgleich mit der endgültigen Fassung in Nature Communications war wegen deren Paywall nicht möglich) senkt die statistische Nebenbedingung die punktuelle Treue gegenüber einem Standardtraining allein auf den mittleren quadratischen Fehler (MSE). Über das gesamte Feld steigt der RMSE von 2,878 auf 3,112 (+8,13%), der Strukturähnlichkeitsindex (SSIM) fällt von 0,947 auf 0,944. In den Randbereichen — Quantile ≥0,95, ≥0,975 und ≥0,99 — nimmt der RMSE um 9,21% bis 10,30% zu, während der SSIM-Verlust unter 0,48% bleibt. In den Bulk-Teilmengen wächst der RMSE um 6,20-6,92%: Die Genauigkeit verschlechtert sich überall, am stärksten aber genau dort, wo das Verfahren seinen Beitrag leisten soll. Zu den von den Autoren selbst eingeräumten Grenzen zählen, dass sich die räumliche Lage der Extremereignisse aus einer skalaren Observablen nicht eindeutig bestimmen lässt, dass alles kritisch von der korrekten Angabe der Referenzverteilung abhängt und dass die physikalischen Entstehungsmechanismen nicht identifiziert werden.

Die Arbeit, finanziert von einer Vannevar Bush Faculty Fellowship und dem U.S. Air Force Office of Scientific Research, eröffnet theoretisch auch Anwendungen in der Roboternavigation und an den Finanzmärkten. Demonstriert wird das Verfahren an einer einzigen Variablen, dem Niederschlag, und einem einzigen Gebiet, den kontinentalen USA, mit Reanalysedaten statt direkter Beobachtungen; das MIT selbst schreibt, eine Übertragung auf andere Gefahren erfordere Statistiken und Karten, die auf die jeweilige Gefahr zugeschnitten sind. Eine unabhängige Validierung außerhalb der Autorengruppe ist nicht bekannt, ebenso wenig ein operativer Einsatz durch Katastrophenschutz oder Wetterdienste.

Der Kompromiss wird offen benannt: ein paar Prozentpunkte Genauigkeit, überall abgegeben, im Tausch gegen Szenarien, die in den historischen Daten nicht vorkommen. Ob sich das lohnt, hängt davon ab, wie sehr die vorab gewählte Referenzverteilung der Wirklichkeit ähnelt — genau der Punkt, den die Autoren als kritisch bezeichnen.

— Olya