© Floodwaive
Forschungskooperation optimiert KI-Modelle für präzisere Starkregenwarnungen
WestAI und das Aachener Climate-Tech-Start-up FloodWaive Predictive Intelligence GmbH haben gemeinsam KI-Methoden für die Hochwasservorhersage weiterentwickelt. Im Rahmen einer Forschungskooperation, vertreten durch das Werkzeugmaschinenlabor WZL der RWTH Aachen, untersuchten sie, wie sich große KI-Modelle effizient für Flutprognosen trainieren und an lokale Gegebenheiten anpassen lassen. Ziel war es, Frühwarnsysteme schneller, präziser und ressourcenschonender zu machen. Ergebnis: Das hybride Modell DeepWaive simuliert Starkregenszenarien bis zu 100.000-mal schneller als herkömmliche Verfahren und bildet die Grundlage für wirkungsbasierte Frühwarnsysteme. Die entwickelten Skalengesetze und Finetuning-Strategien können nicht nur den Hochwasserschutz verbessern, sondern bieten auch anderen Unternehmen eine Blaupause für den effizienten Einsatz großer KI-Modelle.
Auf einem großen Bildschirm im Projektbüro von FloodWaive zieht ein digitaler Starkregen über eine Region. Virtuelle Keller fluten, Straßen stehen unter Wasser – alles in kürzester Zeit simuliert. Einsatzleitungen könnten hier auf einen Blick erkennen, welche Stadtteile zuerst betroffen wären und entsprechend handeln. „Zeit ist Leben“, sagt Adrian Holt, CTO und Co-Founder von FloodWaive. „Wir haben mit KI einen Rechenzeitvorteil, um schneller berechnen zu können, wie sich die Niederschläge auf die Fläche auswirken. So können Flutkatastrophen besser vorhersagt und Menschleben sowie Infrastruktur geschützt werden.“
FloodWaive entwickelt hybride KI-Modelle, die physikalische Simulationen mit Deep Learning kombinieren. Das Foundation-Modell DeepWaive erstellt hochauflösende räumliche Hochwasservorhersagen für Starkregenereignisse – bis zu 100.000-mal schneller als klassische hydrodynamische Simulationen. Anders als herkömmliche Verfahren bewältigt DeepWaive die rechenintensive Aufgabe und liefert Ergebnisse in Sekunden statt Stunden oder Tagen. Städte, Versicherungen und Betreiber kritischer Infrastrukturen können so erstmals Frühwarnsysteme nutzen, die Auswirkungen in Echtzeit berechnen. Angesichts des Klimawandels, der auch in Deutschland mehr Wetterextreme bringt, können solche KI-Tools dabei helfen, Schäden an Menschen und Gütern deutlich zu verringern.
Herausforderung: Präzision bei begrenzten Ressourcen
Exakte Hochwasservorhersagen erfordern eine präzise Anpassung an lokale Gegebenheiten wie Flussläufe, Bodenbeschaffenheit oder Bebauung. Aktuelle Modelle sind oft auf spezifische Regionen zugeschnitten und ein Neutraining für neue Gebiete verbraucht enorme Rechenressourcen. FloodWaive stand vor der Aufgabe, sein generalisiertes Basismodell effizienter und gleichzeitig lokal anpassbar zu machen – ohne den Ressourcenverbrauch in die Höhe zu treiben. Zusätzlich soll das Basismodell für Anwendungsfälle mit höchsten Genauigkeitsanforderungen leicht adaptiert werden.
Genau hier setzte die Kooperation mit WestAI an: Das KI-Servicezentrum unterstützt Unternehmen dabei, KI-Ideen von der Konzeptphase bis zur prototypischen Umsetzung zu entwickeln. Zudem bietet es Zugang zu moderner Recheninfrastruktur. Gemeinsam prüften FloodWaive und WestAI, ob Skalengesetze – bisher vor allem aus der Sprach-KI bekannt – auch auf die Hochwassermodellierung übertragbar sind. Außerdem untersuchten sie, wie sich parametereffiziente Finetuning-Methoden wie Low-Rank-Adaptation (LoRA) auf die Transformer-Architektur dieser neuen Domäne anwenden lassen.
Fokus 1: Optimierung des Basismodells
Im ersten Schritt analysierte das Team das Pre-Training des DeepWaive-Modells. Ähnlich wie große Sprachmodelle basiert DeepWaive auf einer physikalisch-informierten Transformerarchitektur, die speziell für hydrodynamische Daten entwickelt wurde. Skalengesetze halfen dabei, die optimale Modellgröße für gegebene Datenmengen und Rechenzeiten abzuschätzen. Diese Erkenntnisse reduzieren den Rechenaufwand erheblich, da sie iterative Tests oder Heuristiken überflüssig machen. So lässt sich beispielsweise die ideale Modellgröße für einen Datensatz effizient bestimmen. Für Laien heißt das: Das Team prüfte, wie viele Trainingsdaten und Rechenleistung wirklich nötig sind, damit das Modell zuverlässig arbeitet, ohne unnötig viele Ressourcen zu verbrauchen.
Fokus 2: Effiziente lokale Anpassung
Im zweiten Schritt untersuchte das Team, wie sich das Basismodell an lokale Szenarien anpassen lässt, ohne es komplett neu zu trainieren. Hier kamen parametereffiziente Finetuning-Methoden wie LoRA zum Einsatz. Diese Verfahren ermöglichen es, das Modell schnell und kostengünstig an hydrologische, topografische und infrastrukturelle Besonderheiten anzupassen. Tests zeigten, dass LoRA und ähnliche Ansätze fast die gleiche Genauigkeit wie klassisches Full-Finetuning erreichen – bei nur 1 bis 5 Prozent der angepassten Parameter. So lässt sich DeepWaive ressourcenschonend auf neue Regionen übertragen. Einfach gesagt: Statt das gesamte Modell noch einmal von Grund auf zu lernen, werden nur wenige Teile nachjustiert, damit es auch für andere Regionen gut funktioniert.
Das Team zeigte: Mehr Daten und größere Modelle steigern zwar die Vorhersagegenauigkeit, aber nur bis zu einem Punkt. Bei einem Datensatz mit 5 Millionen Simulationen (ca. 4 Terabyte, 10.000 Hochwasserszenarien) setzte ein Plateau ein. Weitere Daten brachten keinen nennenswerten Gewinn mehr. Optimal war ein mittelgroßes Modell mit 500 Millionen Parametern. Bei begrenztem Rechenzeitbudget schlug zudem längeres Training auf 8 GPUs ein schnelles Training auf 32 GPUs wegen geringerer Kosten. Beim zweiten Schwerpunkt testete das Team effiziente Anpassungsmethoden (LoRA, DoRA, ReFT) gegen klassisches Full-Finetuning. Alle Strategien verbesserten die Basisleistung deutlich. Full-Finetuning war minimal besser, die Alternativen aber fast gleich genau – bei nur 1 bis 5 Prozent angepassten Parametern statt 100 Prozent. So lässt sich DeepWaive ressourcenschonend an neue Regionen anpassen.
Erfolg durch kompetente Begleitung und spezialisierte Infrastruktur
„Der Einstieg bei WestAI ist super einfach und ging richtig schnell. Wir hatten direkt jemanden, der unser Forschungsthema mit uns durchdacht hat“, lobt Adrian Holt. „Als Startup haben wir Produkte, forschen aber weiter. Diese Kooperation hat uns richtig weitergebracht.“
Auch für WestAI war die Zusammenarbeit wertvoll: „Die Erkenntnisse zu Pre- und Finetuning fließen bereits in Projekte zur industriellen Produktion ein“, sagt Hannes Behnen, Service-Member bei WestAI und Wissenschaftlicher Mitarbeiter am WZL der RWTH Aachen.
Adrian Holt, CTO und CO-Founder von Floodwaive. © Floodwaive
Best Practices für die KI-Community
Die entwickelten Skalengesetze helfen Unternehmen, Modellgröße, Datenmenge und Rechenzeit optimal zu planen ohne teure Trial-and-Error-Experimente. Die LoRA-Methodik bietet eine Blaupause für ressourcenschonendes Finetuning großer Modelle. Diese Ansätze sind branchenübergreifend einsetzbar, etwa in Industrie, Energie oder Verkehr. Nur die spezifischen Hochwasserdetails bleiben domänenspezifisch. FloodWaive nutzt die Ergebnisse bereits produktiv. Die Kooperation zeigt: Spezialisierte KI-Infrastruktur und Forschungsexpertise können Klima-Innovationen beschleunigen. DeepWaive setzt neue Maßstäbe in der Hochwasservorhersage und die gesamte KI-Community kann von praxisnahen Best Practices dieser Forschungskooperation mit WestAI profitieren.
Die Best Practices zur Rechenressourcennutzung sind nun auf GitHub öffentlich zugänglich:
Am Anfang stand eine Frage – Wie sieht Ihre aus?
Zur Erinnerung: Zu Beginn dieser Kooperation stand eine einfache Idee, eine Frage: „Kann meine bisherige KI für meinen Fall optimiert werden?“
Jetzt ist daraus ein noch präziseres, verbessertes Produkt geworden.
Haben Sie eine ähnliche Frage für Ihr Unternehmen? Oder möchten Sie generell prüfen, ob KI sinnvoll für ihren Anwendungsfall eingesetzt werden kann? Haben Sie eine innovative Idee, die noch ihre Form sucht?
Die WestAI-Expert*innen unterstützen Sie gerne und freuen sich auf Ihre Anfrage.