AKTUELLE NEWS AUS DER KI-WELT

Luc Van den hove, CEO von imec, unterstrich die Bedeutung dieser Technologie und erklärte, dass High NA „für die weitere Verkleinerung von Logik- und Speichertechnologien von entscheidender Bedeutung sein wird“. Die Ergebnisse bestätigten das seit langem vorhergesagte Auflösungsvermögen der High-NA-EUV-Lithographie und ebneten den Weg für weitere Fortschritte in der Halbleitertechnologie, die die Grenzen der Chipherstellung in das „Angström-Zeitalter“ verschieben.

In der Halbleiterindustrie bezeichnet dies die für die nächsten Jahre erwartete Phase, in der die Produktion von Chiptechnologie in Angströmen statt in Nanometern gemessen wird. Intel bezeichnet daher seine geplanten 2-Nanometer-Chips bereits als 20A (1 nm = 10 A), die neue Technologie soll dann den 14A-Chip ermöglichen.

Die vorgestellten Ergebnisse zeigen, dass die Chiphersteller in den kommenden Jahren in der Lage sein werden, die High-NA-Anlage von ASML für ihre nächsten Chip-Generationen zu nutzen. Intel hat bereits die ersten beiden High-NA-Anlagen gekauft, eine dritte soll noch in diesem Jahr an TSMC geliefert werden, und weitere Chiphersteller wie Samsung Electronics, SK Hynix und Micron haben ebenfalls Bestellungen aufgegeben. Über TSMC wird die Technologie auch von Nvidia für zukünftige KI-Beschleuniger eingesetzt. Wie die Chips selbst sind auch die Maschinen von den US-Exportverboten – unter anderem nach China – betroffen.

In Tests zeigte StormCast eine ähnliche Vorhersagequalität wie das HRRR-Modell. Die Wahrscheinlichkeiten für leichten, mäßigen und starken Regen stimmten bis zu 6 Stunden im Voraus gut überein. Auch die Entwicklung von Gewitterzellen, Auf- und Abwinde sowie Kaltluftströmungen unter Gewittern wurden von StormCast realistisch wiedergegeben.

Ein Vorteil des KI-Ansatzes ist, dass Ensembles, also Gruppen von leicht variierten Vorhersagen, einfach erstellt werden können. Bereits mit fünf Ensemblemitgliedern war StormCast dem einzelnen HRRR-Lauf überlegen. Solche Ensembles sind mit klassischen Wettermodellen sehr rechenintensiv.

Einige Herausforderungen bleiben: Unter anderem sollten zukünftige Modelle auf mehr Trainingsdaten und größeren Gebieten lernen. Auch die Kalibrierung der Ensembles kann noch verbessert werden.

Dennoch ebnen die Ergebnisse den Weg für eine neue Generation von hochauflösenden, KI-gestützten Wettermodellen, ist das Team überzeugt. Solche Modelle könnten Meteorologen helfen, gefährliche Gewitter noch genauer und schneller vorherzusagen und so Schäden und Todesopfer zu vermeiden. Auch für lokale Klimaprognosen seien solche Modelle vielversprechend.