Kilometerscharfe Klimasimulationen per KI: Architektur, Effizienz und Grenzen von Ai2 HiRO-ACE und HiRO-ACEv2

Von HiRO-ACE zu HiRO-ACEv2: Zweistufiges KI-Downscaling für lokale Klimarisiken

Wenn Sie in Ihrem Unternehmen langfristige Infrastrukturentscheidungen treffen, Standortrisiken bewerten oder wasserwirtschaftliche Kapazitäten planen, stoßen klassische Klimamodelle schnell an ihre Grenzen. Fragen nach der künftigen Schneeschmelze in Gebirgsregionen für die Trinkwasser- und Stromversorgung, nach der Dimensionierung städtischer Entwässerungssysteme für sommerliche Starkregenereignisse oder nach veränderten Zugbahnen tropischer Wirbelstürme an Küstenstandorten erfordern atmosphärische Simulationen im Kilometermaßstab [2]. Erst bei Gitterauflösungen zwischen einem und fünf Kilometern lassen sich mesoskalige Phänomene wie Gewitterzellen, Frontensysteme und komplexe Wechselwirkungen mit der Topografie physikalisch explizit auflösen [2, 3].

Vor diesem Hintergrund sorgt die aktuelle Veröffentlichung von HiRO-ACEv2 durch das Allen Institute for Artificial Intelligence (Ai2) auf der Plattform Hugging Face für Aufmerksamkeit in der Fachwelt [1]. Laut der Mitteilung zu dem zugehörigen Fachbeitrag (Referenz 2610.17693) handelt es sich bei HiRO-ACEv2 um einen zweistufigen KI-Emulator, der atmosphärische Daten auf eine horizontale Auflösung von 3 Kilometern herunterskaliert und dabei neben Niederschlag nun auch Windfelder sowie den Luftdruck auf Meeresniveau erfasst [1]. Die Kosten für die Erzeugung jahrzehntelanger Klimasimulationen über beliebige Regionen sollen dabei um den Faktor 300 unter denen herkömmlicher Verfahren liegen [1].

Für eine präzise technische Einordnung müssen Sie zwischen dieser aktuellen Ankündigung von HiRO-ACEv2 und der detailliert dokumentierten Vorgängerversion unterscheiden: Während der Kurzbeitrag zu HiRO-ACEv2 die Erweiterung auf zusätzliche Zielvariablen wie Luftdruck auf Meeresniveau und Windfelder im 3-Kilometer-Raster benennt [1], stützen sich die vorliegenden wissenschaftlichen Volltexte, Benchmarks und Modellkarten auf das im Januar und Februar 2026 veröffentlichte Fundament HiRO-ACE (High Resolution Output Ai2 Climate Emulator, arXiv:2512.18224) [2, 3, 4] sowie auf vorangegangene Konferenzdaten der American Geophysical Union (AGU) vom Dezember 2025 [5]. In der AGU-Vorstudie auf Basis eines zweijährigen Datensatzes hatten die Forschenden bereits das gemeinsame Downscaling von 3-Kilometer-Niederschlag und 10-Meter-Windfeldern erprobt [5], bevor der erste umfassende Technologiereport zu HiRO-ACE auf zehnjährigen Referenzdaten zunächst die Niederschlagsrate in den Fokus rückte [2, 3, 4].

Das Rechenleistungs-Dilemma der Klimamodellierung und bestehende Ansätze

Um den technologischen Wert einer KI-gestützten Emulation zu beurteilen, lohnt ein Blick auf den rechentechnischen Zielkonflikt der traditionellen Klimaforschung. Konventionelle globale Klimamodelle arbeiten meist mit groben Gitterauflösungen von etwa 100 Kilometern [2]. Dies ermöglicht es zwar, Zeiträume von Jahrzehnten bis Jahrhunderten mit vertretbarem Aufwand zu berechnen, zwingt die Modelle jedoch dazu, kleinräumige physikalische Prozesse durch subjektive und unsichere Parametrisierungen anzunähern [2, 3]. Lokale Extremwetterereignisse gehen in diesem groben Raster verloren [2].

Globale sturmauflösende Modelle (Global Storm-Resolving Models), die mit einer Gitterweite von 3 Kilometern operieren und den visuellen Eindruck eines digitalen Zwillings der Erdatmosphäre vermitteln, lösen dieses Problem physikalisch, verursachen jedoch enorme Rechen- und Speicherkosten [2, 3]. Eine einzige Simulation über den Zeitraum eines Jahrzehnts beansprucht auf Hochleistungsrechnern mehrere Monate Laufzeit und verbraucht mehr als 800 Gigajoule elektrische Energie – was dem durchschnittlichen Stromverbrauch eines US-amerikanischen Haushalts über rund 21 Jahre entspricht [2, 3]. Große Ensembles über mehrere Jahrzehnte, wie sie für belastbare Risikostatistiken notwendig sind, lassen sich auf diesem Weg kaum realisieren [3].

In der Wissenschaft wurden bisher verschiedene Brückentechnologien genutzt, um diese Lücke zu schließen, die jedoch jeweils spezifische Nachteile aufweisen [3]:

• Dynamisches Downscaling nutzt die Ausgaben eines groben Klimamodells als Randbedingungen für ein separates regionales Modell im Kilometermaßstab, bleibt aber rechenintensiv und deckt meist nur wenige Prozent der Erdoberfläche ab [3].
• Statistisches Downscaling wendet empirische Modelle auf grobe Gitterdaten an, ist rechentechnisch günstig, muss jedoch auf jede Zielregion individuell angepasst werden und stößt bei komplexen räumlichen Wetterstrukturen – etwa dem gleichzeitigen Auftreten tropischer Zyklone und außertropischer Stürme wie in North Carolina – an Zuverlässigkeitsgrenzen [3].
• Das KI-Framework GenFocal korrigiert in einem zweistufigen Prozess zunächst systematische Abweichungen (Debiasing) aus dem großen Ensemble des Community Earth System Model (CESM) bei rund 150 Kilometern Auflösung und führt anschließend eine Super-Resolution auf 25 Kilometer analog zu ERA5-Reanalysedaten durch [3].
• Das System CBottle verfolgt ebenfalls einen zweistufigen KI-Ansatz, verzichtet jedoch auf die zeitlich schrittweise autoregressive Fortschreibung und nutzt stattdessen ein vollständig probabilistisches Diffusionsmodell, das auf Tageszeit, Jahrestag und Meeresoberflächentemperaturen konditioniert ist, um von 100 Kilometern auf 5 Kilometer (basierend auf ERA5- und ICON-Daten) herunterzuskalieren [3].

Die zweistufige Systemarchitektur: Zusammenspiel von ACE2S und HiRO

Ai2 hat HiRO-ACE in Zusammenarbeit mit dem Geophysical Fluid Dynamics Laboratory (GFDL) der US-Behörde NOAA entwickelt, um die zeitliche Kohärenz autoregressiver Klimamodelle mit der räumlichen Detailtreue generativer Diffusionsmodelle zu verbinden [2, 3]. Als gemeinsame Trainings- und Evaluierungsgrundlage dient eine mehrjährige globale Atmosphären-Simulation des physikalischen 3-Kilometer-Modells X-SHiELD von NOAA-GFDL, die durch historische Meeresoberflächentemperaturen angetrieben wurde [2, 3].

Eine zentrale architektonische Entscheidung von Ai2 liegt in der durchgängig stochastischen Auslegung beider Modellstufen [2, 3]. Frühere deterministische KI-Atmosphärenmodelle neigen dazu, über mögliche zukünftige Wetterzustände zu mitteln, was zu einer räumlichen Glättung und Unschärfe (Blurring) auf Gitterebene führt – insbesondere bei Niederschlagsfeldern [2, 3]. Durch den probabilistischen Aufbau kann HiRO-ACE sowohl auf der großräumigen Wetterskala als auch auf der kleinräumigen Sturmskala Ensembles generieren, mit denen Sie Unsicherheiten systematisch quantifizieren können [2, 3].

Globale atmosphärische Dynamik mit ACE2S

Die erste Stufe bildet ACE2S (Stochastic Climate Model Emulator), eine stochastische Weiterentwicklung des Ai2 Climate Emulator (ACE2) [2, 3]. Das Modell arbeitet auf einem globalen Raster von 1 Grad mal 1 Grad (rund 100 Kilometer Auflösung) und berechnet die atmosphärische Entwicklung von Temperatur, Luftfeuchtigkeit, Wind und Niederschlag autoregressiv in Zeitschritten von 6 Stunden [2, 3]. Um die fundamentale atmosphärische Dynamik zu erlernen, wurde ACE2S in einem zweistufigen Prozess zunächst auf dem längeren historischen ERA5-Reanalysedatensatz vortrainiert und anschließend auf den auf 100 Kilometer vergröberten X-SHiELD-Daten feinabgestimmt [3].

Technisch unterscheidet sich ACE2S von seinem deterministischen Vorgänger vor allem durch eine bedingte Schichtnormalisierung (Conditional Layer Normalization), über die Rauschen in das Modell injiziert wird, sodass ein Training mit einer probabilistischen Verlustfunktion möglich ist [3]. Dadurch bewahrt ACE2S die realistische kleinräumige Variabilität und die Wahrscheinlichkeitsdichtefunktion (PDF) des Niederschlags auf der 100-Kilometer-Skala und hält zudem die globale Masse trockener Luft sowie die globale Feuchtigkeit exakt konstant [3, 4].

32-fache Super-Resolution durch das Diffusionsmodell HiRO

In der zweiten Stufe übernimmt das Diffusionsmodell HiRO (High Resolution Output) die groben 100-Kilometer-Oberflächenfelder für Wind und Niederschlag aus ACE2S und erzeugt daraus 6-stündlich gemittelte Niederschlagsfelder mit 3 Kilometern Auflösung – was einer 32-fachen räumlichen Verfeinerung entspricht [2, 3, 4]. Während auf der 100-Kilometer-Ebene ein Regengebiet oft nur als unscharfer Fleck erscheint, rekonstruiert HiRO daraus die detaillierten räumlichen Strukturen einzelner tropischer Wirbelstürme, orografischer Gebirgsniederschläge und konvektiver Gewitter [2].

Methodisch lehnt sich HiRO an den sogenannten CorrDiff-Ansatz (Corrective Diffusion) an, bei dem ein Diffusionsmodell eine Korrektur auf einer vorab geschätzten mittleren Feldverteilung berechnet [3, 5]. Während die ursprüngliche CorrDiff-Methodik ein separates Machine-Learning-Modell zur Vorhersage dieses Initialmittelwerts einsetzt, verwendet Ai2 stattdessen eine einfache bikubische Interpolation der groben Eingabefelder, was sich in Tests als völlig ausreichend erwies [3]. Da sowohl ACE2S als auch HiRO auf denselben vergröberten beziehungsweise nativen X-SHiELD-Daten trainiert wurden und unverzerrte Wahrscheinlichkeitsverteilungen liefern, lassen sich beide Komponenten nahtlos und ohne zusätzliches gemeinsames Fine-Tuning hintereinanderschalten [2, 3].

Energiebilanz, Trainingsaufwand und Inferenzgeschwindigkeit auf H100-GPUs

Für IT-Verantwortliche und Datenwissenschaftler in Unternehmen ist vor allem das Verhältnis zwischen einmaligem Trainingsaufwand und laufenden Inferenzkosten entscheidend. Um den enormen Speicherbedarf der dreidimensionalen X-SHiELD-Simulation zu begrenzen, wurden die 3D-Atmosphärendaten bereits während des Simulationslaufs (in-line) auf ein gröberes Zwischenraster heruntergerechnet, während ausgewählte zweidimensionale Oberflächenfelder wie der Niederschlag in der vollen 3-Kilometer-Auflösung für das Training von HiRO gespeichert wurden [3].

Das Training der beiden KI-Komponenten erforderte im Vergleich zur physikalischen Referenzsimulation nur einen minimalen Ressourceneinsatz [3]:

• Das Training von ACE2S dauerte 7 Tage auf einem System mit 8 NVIDIA-H100-GPUs [3].
• Das Downscaling-Modell HiRO benötigte für das Training 4 Tage auf 8 NVIDIA-H100-GPUs [3].
• Der kombinierte Energieverbrauch für das Training beider Modelle lag bei lediglich rund 6 bis 8 Gigajoule, was etwa 1 Prozent des Energiebedarfs der zehnjährigen X-SHiELD-Simulation (über 800 Gigajoule) entspricht [3].
• Die Erstellung eines kompletten zehnjährigen, globalen 3-Kilometer-Datensatzes mittels KI-Inferenz verbraucht rund 4 Gigajoule und damit nur etwa 0,5 Prozent der Energie des physikalischen Ursprungsmodells [3].

Laufzeiten im operativen Betrieb und Optimierungspotenzial

Im praktischen Inferenzbetrieb auf einer einzelnen NVIDIA-H100-GPU erreicht ACE2S eine Geschwindigkeit von rund 1.500 simulierten Jahren pro Tag bei einer Auflösung von 1 Grad mal 1 Grad und liegt damit auf dem Niveau des deterministischen Vorgängers ACE2 [2, 3]. Das anschließende Downscaling mit HiRO benötigt für einen regionalen Ausschnitt von 16 Grad mal 16 Grad über ein simuliertes Jahr hinweg etwa 45 Minuten auf einer H100-GPU [2, 3].

Damit lassen sich innerhalb eines einzigen Tages auf einer einzigen GPU mehrere Jahrzehnte hochaufgelöster regionaler Klimadaten generieren [2, 3]. Zudem weisen die Entwickler darauf hin, dass sich die Inferenzzeit von HiRO durch gezielte Modelloptimierungen – wie etwa die Destillation des Denoisers im Diffusionsprozess – voraussichtlich um eine weitere Größenordnung reduzieren ließe [3]. In der Ankündigung zu HiRO-ACEv2 wird der Kostenvorteil des Gesamtsystems gegenüber herkömmlichen Simulationen bereits mit dem Faktor 300 beziffert [1].

Validierung der Modellgüte: Extremwerte, Topografie und Grenzen in den Tropen

Um die Verlässlichkeit des Frameworks für Risikoanalysen zu prüfen, haben die Forschenden das System anhand des zurückgehaltenen Validierungsjahres 2023 (nach einem Training auf den Jahren 2014 bis 2022) auf einer nahezu globalen Domäne zwischen 65 Grad südlicher und 65 Grad nördlicher Breite evaluiert [3, 4]. Dabei verglichen sie drei Konfigurationen miteinander: die native 3-Kilometer-Simulation von X-SHiELD, eine freie einjährige Simulation der gesamten HiRO-ACE-Pipeline sowie ein sogenanntes Perfect-Prediction-Szenario (PP), bei dem HiRO direkt die vergröberten 100-Kilometer-Daten aus X-SHiELD herunterskaliert [3]. Durch diesen Aufbau lassen sich Fehler, die allein auf das Downscaling mit HiRO zurückgehen, sauber von möglichen Abweichungen durch ACE2S trennen [3].

Die Ergebnisse belegen eine hohe statistische Übereinstimmung in weiten Bereichen der Verteilung, zeigen jedoch auch spezifische Grenzen bei extremen Spitzenwerten auf [2, 3]:

• Geringe systematische Abweichungen im Zeitmittel: Über längere Zeiträume hinweg weist HiRO-ACE im Vergleich zu X-SHiELD nahezu überall relative Fehler von unter 10 Prozent auf [2, 3].
• Präzise Abbildung komplexer Topografie: In Gebirgsregionen, in denen wenige Kilometer Distanz die jährlichen Niederschlagsmengen um 50 Prozent oder mehr verändern können, stellt HiRO-ACE die feingliedrigen räumlichen Muster zuverlässig wieder her, etwa beim Auftreffen atmosphärischer Flüsse auf Gebirgsketten [2].
• Treffsicherheit bis zum 99,99. Perzentil: Sowohl im Perfect-Prediction-Test als auch in der gekoppelten HiRO-ACE-Pipeline stimmt das Histogramm der 6-stündigen Niederschlagsraten bis zum 99,99. Perzentil (rund 500 Millimeter pro Tag) eng mit der X-SHiELD-Referenz überein [2, 3].
• Unterschätzung im äußersten Verteilungsrand (99,9999. Perzentil): Bei den seltensten extremen Regenereignissen von über 1.000 Millimetern pro Tag generiert das KI-System weniger Fälle; das berechnete 99,9999. Perzentil erreicht im Perfect-Prediction-Modus 78 Prozent und bei HiRO-ACE 73 Prozent des X-SHiELD-Zielwerts [3].

Ursachenanalyse für Abweichungen über tropischen Ozeanen

Für diese Unterschätzung im äußersten Extrembereich liefern die Autoren eine schlüssige physikalisch-statistische Erklärung: Viele dieser extremsten Niederschlagsspitzen in X-SHiELD resultieren aus isolierten konvektiven Stürmen über tropischen Ozeanen [3, 4]. Werden diese lokal eng begrenzten Ereignisse auf ein 100-Kilometer-Gitter vergröbert, erscheinen sie dort lediglich als moderate Niederschlagsraten von etwa 100 bis 200 Millimetern pro Tag [3].

Da auf der groben 100-Kilometer-Skala in den Tropen jedoch nur rund 0,2 Prozent solcher moderaten Niederschlagswerte tatsächlich mit einem extremen 3-Kilometer-Ereignis korrespondieren, verfügt das Downscaling-Modell an dieser Stelle über zu wenige eindeutige Anhaltspunkte in den Trainingsdaten und unterschätzt daher die Spitzenwerte [3].

Technische Einschränkungen und bekannte Schwachstellen im Produktivbetrieb

Wenn Sie den Einsatz von HiRO-ACE für unternehmensinterne Klimarisikomodelle oder Forschungsprojekte erwägen, müssen Sie die in der offiziellen Modelldokumentation offen kommunizierten Schwachstellen berücksichtigen [4]. Das System ist kein universelles Prognosewerkzeug, sondern unterliegt klaren methodischen und geografischen Restriktionen [3, 4]:

• Keine Generalisierung auf fremde Klimazustände: Da ACE2S und HiRO auf lediglich neun Jahren (2014 bis 2022) der X-SHiELD-Simulation trainiert wurden, ist nicht zu erwarten, dass die Modelle zuverlässig auf stark abweichende Antriebsbedingungen – wie deutlich veränderte vergangene oder zukünftige Meeresoberflächentemperaturen und CO2-Konzentrationen – generalisieren [4].
• Eingeschränkte statistische Unabhängigkeit bei langen Läufen: Wird ACE2S über Zeiträume betrieben, die signifikant über die neunjährige Trainingsperiode hinausgehen, erzeugt der Emulator unter Umständen keine vollständig statistisch unabhängigen und repräsentativen Stichproben des Basismodells mehr [4].
• Keine Eignung für operative Wettervorhersagen: Das System bildet ausschließlich die Charakteristika des Klimamodells X-SHiELD ab, nicht jedoch direkte meteorologische Beobachtungen, und ist daher nicht für die klassische Wetterprognose geeignet [4].
• Überschätzung tropischer Wirbelstürme und geringere Testtiefe: Im Vergleich zur X-SHiELD-Referenz überschätzt ACE2S die Entstehungsrate tropischer Zyklone; zudem wurde das Modell nicht so umfassend wie die Variante ACE2-ERA5 (beispielsweise hinsichtlich der stratosphärischen Variabilität) getestet, und für einige Aspekte des Pretrainings und Fine-Tunings fehlen Ablationsstudien [4].
• Fehlende Einzelanalyse von Niederschlagsregimen: Bei HiRO wurden unterschiedliche Niederschlagsformen wie konvektiver, stratiformer oder orografischer Niederschlag noch nicht rigoros getrennt voneinander auf ihre physikalische Konsistenz untersucht [4].
• Geografische Ausschlusszonen an den Polen: HiRO wurde außerhalb des Bereichs von 66 Grad südlicher bis 70 Grad nördlicher Breite weder trainiert noch getestet und kann technisch außerhalb von 88 Grad Süd beziehungsweise 88 Grad Nord überhaupt nicht ausgeführt werden [3, 4].
• Nahtstellen-Artefakte bei großen Regionen: Da HiRO auf Ausschnitten (Patches) von 16 mal 16 Grad (im 1-Grad-Raster) trainiert wurde, führt das Downscaling größerer zusammenhängender Regionen ohne Überlappung (Overlap gleich 0) zu räumlichen Diskontinuitäten an den Kanten oder bei einer Überlappung größer 0 zu Unschärfe-Artefakten durch die Mittelwertbildung in den Überlappungszonen [4].

Praktische Implementierung, Lizenzierung und Relevanz für Unternehmen

Für eigene Experimente stellt Ai2 die Modelle und den zugehörigen Quellcode unter der Apache-2.0-Lizenz bereit, weist jedoch ausdrücklich darauf hin, dass die Bereitstellung für Forschungs- und Bildungszwecke im Einklang mit den Responsible Use Guidelines von Ai2 erfolgt [2, 4]. Da das Modell auf Hugging Face derzeit von keinem externen Serverless Inference Provider gehostet wird, müssen Sie für die Ausführung eigene GPU-Ressourcen bereitstellen [4].

Die technische Einrichtung erfolgt über das Python-Paket fme (installierbar mittels pip install fme) [4]. Nach dem Herunterladen des Repositories – wobei optional nur eine Teilmenge der Antriebsdaten (forcing_data) und Anfangsbedingungen (initial_conditions) für den gewünschten Zeitraum geladen werden muss – passen Sie zunächst die Pfade in der globalen Konfigurationsdatei ace2s_inference_config_global.yaml an [4]. Anschließend verknüpfen Sie das Ausgabeverzeichnis in der Downscaling-Konfiguration (beispielsweise hiro_downscaling_ace2s_pnw_output.yaml für eine Einzelregion oder hiro_downscaling_ace2s_global_output.yaml für globales Downscaling) und starten den Prozess über das Skript run-hiro-ace.sh [4].

In der akademischen Forschung und in der kommerziellen Klimarisikoanalyse stößt dieser Ansatz bereits auf konkretes Interesse [2]. Elizabeth Barnes, Professorin an der Boston University, hebt hervor, dass die Kombination aus Geschwindigkeit und Wiedergabetreue von ACE2 es ihrer Forschungsgruppe ermöglicht habe, Prozesse wie die Entstehung tropischer Wirbelstürme und die Ursachen historischer Phasen mit geringer Zyklonaktivität zu untersuchen, was mit traditionellen Klimamodellen unbezahlbar gewesen wäre [2]. Für die privatwirtschaftliche Praxis betont Josh Hacker, Chief Science Officer beim Klimadaten- und Risikoanalyse-Unternehmen Jupiter Intelligence, dass bereits ACE2 die Bewertung der Wahrscheinlichkeiten verschiedenster Extremwettertypen über unterschiedliche Dauern und räumliche Ausdehnungen erlaubt habe; HiRO-ACE bringe diese Fähigkeit nun auf die lokale Ebene, die Entscheidungsträger in der Praxis benötigen [2].

Analytisches Fazit für Ihre Strategieplanung: Aus B2B-Perspektive markiert die Entwicklung von HiRO-ACE hin zu HiRO-ACEv2 einen wichtigen Reifeschritt für KI-gestützte Umwelt- und Standortanalysen [1, 2]. Während erste Versionen bewiesen haben, dass sich die Rechenkosten von 3-Kilometer-Niederschlagssimulationen durch die Trennung von globaler stochastischer Dynamik und lokalem Diffusions-Downscaling drastisch senken lassen [2, 3], adressiert die Ankündigung von HiRO-ACEv2 mit der Hinzunahme von 3-Kilometer-Windfeldern und dem Luftdruck auf Meeresniveau genau jene multivariaten Größen, die für kombinierte Sturm- und Hochwasserrisikomodelle unverzichtbar sind [1, 5]. Solange die zugrunde liegenden Modelle jedoch primär auf historischen Dekaden einzelner physikalischer Referenzsimulationen trainiert sind [3, 4], sollten Unternehmen die generierten Ensembles als hochauflösendes Instrument zur Untersuchung interner Wettervariabilität unter gegenwartsnahen Bedingungen nutzen, nicht jedoch unkritisch für langfristige Klimaszenarien mit stark veränderten Treibhausgaskonzentrationen extrapolieren [4].

Quellen

[1] RT by @_akhaliq: Ai2 just released HiRO-ACEv2 on Hugging Face A two-stage AI emulator that downscales to 3km precipitation, winds, and sea level pressure - capturing extreme events at 300x lower cost. — https://x.com/HuggingPapers/status/2110364666673213873 (abgerufen am 2026-10-14)

[2] HiRO-ACE: An accessible solution for kilometer-scale climate simulation | Ai2 — https://allenai.org/blog/hiro-ace (abgerufen am 2026-10-14)

[3] HiRO-ACE: Fast and skillful AI emulation and downscaling trained on a 3 km global storm-resolving model — https://arxiv.org/html/2512.18224v2 (abgerufen am 2026-10-14)

[4] allenai/HiRO-ACE · Hugging Face — https://huggingface.co/allenai/HiRO-ACE (abgerufen am 2026-10-14)

[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)