Einzelne Windräder liefern am meisten Strom, wenn die Drehachse des Rotors exakt in die Windrichtung zeigt. Doch für größere Windparks gilt diese einfache wie plausible Regel nicht mehr. Denn die Windräder in der ersten Reihe reduzieren die Windgeschwindigkeit und verursachen Turbulenzen, die die Stromausbeute der dahinter liegenden Anlagen sinken lässt. Nun haben Wissenschaftler eine Lösung für dieses Problem gefunden. Wie sie in der Fachzeitschrift „Proceedings of the National Academy of Sciences“ berichten, muss man die Windräder nur etwas aus ihrer scheinbar idealen Ausrichtung zum Wind herausdrehen.

Michael Howland von der Stanford University in den USA und seine Kollegen simulierten die optimale Position von Anlagen in einem Windpark mithilfe eines Computermodells. Um der Realität so nahe wie möglich zu kommen, nutzten sie dazu innerhalb eines Jahres gemessene Winddaten. Den Simulationen zufolge ließe sich die gesamte Stromausbeute eines Parks steigern, wenn vor allem Windräder in der ersten Reihe um etwa 20 Grad aus ihrer idealen Position herausgedreht werden. Dieses Ergebnis überprüfte das Team während eines zehntägigen Testlaufs in einem kanadischen Windpark in der Provinz Alberta.

Wie erwartet produzierten die frontalen Windkraftanlagen weniger Strom – aber auch weniger Windverwirbelungen. „Durch diesen reduzierten Nachlaufeffekt lieferten die weiter hinten gelegenen Windräder signifikant mehr Strom“, berichtet Howland. So stieg der Ertrag von sechs in einer Reihe stehenden Windrädern bei durchschnittlichen Windstärken um 7 bis 13 Prozent. In Schwachwindphasen lieferten die jeweils 250 Meter voneinander entfernten Anlagen sogar bis zu 47 Prozent mehr Strom. Zudem zeigte sich die sonst stark schwankende Stromausbeute insgesamt ausgeglichener. Das ist ein erheblicher Vorteil, wenn es darum geht, die erzeugte Energie in das öffentliche Stromnetz einzuspeisen.

Ob das gezielte Verdrehen der Windräder die Gesamtbilanz eines Windparks auch über Jahre hinweg optimieren kann, ist bisher noch unklar. Der Testlauf war schlicht zu kurz. Doch die Wissenschaftler planen bereits einen Langzeitversuch über ein ganzes Jahr. „Wenn sich diese Strategie auf große Windparks über lange Perioden anwenden lässt, können wir potenziell die Aerodynamik, die Stromausbeute und sogar die Flächennutzung von Windparks überall auf der Welt optimieren“, sagt Teammitglied John Dabiri, ebenfalls von der Stanford University.

In den vergangenen Jahren zeigten bereits mehrere Studien, dass Windverwirbelungen die Stromausbeute von Windparks stark beeinflussen. Die Effizienz von Windrädern in hinteren Reihen kann dadurch um bis zu 40 Prozent abfallen. Größere Abstände zwischen den Anlagen reduzieren diesen Effekt zwar, können ihn aber nicht völlig aufheben. Denn je nach Windbedingungen wirkt sich der Nachlaufeffekt über Distanzen von bis zu 50 Kilometern aus, bei Offshore-Windparks sogar noch weiter.

Künstliche Intelligenz ist aus unserem Alltag nicht mehr wegzudenken. Spamfilter sortieren unerwünschte E-Mails aus. Computerprogramme generieren automatisiert Sport- und Börsenberichte. Und virtuelle Assistenten wie Siri und Alexa beantworten unsere Sprachanfragen. Doch diese smarten Helfer im Alltag haben einen ökologischen Preis: Laut einer aktuellen Studie der University of Massachusetts Amherst emittiert das Trainieren eines einzigen neuronalen Netzwerks so viel CO₂ wie fünf Autos. In Zeiten, in denen die Politik kontrovers über Klimaziele diskutiert und Klimaschutz ganz oben auf der Agenda steht, sorgt so eine Meldung für Gesprächsstoff – gerade weil mit der Entwicklung künstlicher Intelligenzen auch das Versprechen eines effizienteren Ressourcenverbrauchs verknüpft ist.

Die Forscher untersuchten in ihrer Studie vier verschiedene Modelle, die Sprache verarbeiten: Solche NLP-Modelle (natural language processing) kommen im Bereich der Spracherkennung und maschinellen Übersetzung zum Einsatz. Eines davon, der Textgenerator GPT-2, schreibt angeblich so täuschend echte Geschichten, dass die Entwicklerorganisation OpenAI sogar vor seinem Gebrauch warnte.

Um den Energieverbrauch der CPU und des Grafikprozessors zu messen, wurde jedes dieser Modelle einen Tag lang trainiert. Training heißt: Man füttert ein neuronales Netz mit riesigen Datensätzen, in diesem Fall annotierten Texten und Wörtern. Aus dem Verbrauch, welche die Modelle für die einzelnen Arbeitsschritte benötigten, errechneten die Forscher den Energiebedarf für die gesamte Prozedur. Auf Basis eines Umrechnungsschlüssels der US-Umweltbehörde EPA konvertierten sie die Verbrauchs- in Emissionswerte, die ungefähr dem Energiemix von Amazon Web Services, dem größten Cloud-Computing-Anbieter, entsprechen.

Menschliche Intelligenz verbraucht viel weniger Energie

Die Ergebnisse, die die Wissenschaftler in ihrer Studie präsentieren, sind erschreckend: Beim Training eines einzigen Modells werden 313 Tonnen CO₂ emittiert. Das ist ungefähr das Fünffache dessen, was ein Fahrzeug in seinem gesamten Lebenszyklus (inklusive Kraftstoff) verbraucht. Der hohe Energieverbrauch resultiert vor allem aus der Rechenpower, die für die Verarbeitung riesiger Datenmengen nötig ist. Dass (Grafik-)Prozessoren für Deep-Learning-Verfahren energieintensiv sind, ist keine neue Erkenntnis. Die Jeopardy-Version von IBMs Supercomputer Watson  benötigte 85 000 Watt, um bei der Rateshow zwei menschliche Spieler zu bezwingen. Zum Vergleich: Das menschliche Gehirn benötigt gerade einmal 20 Watt. Die Dimension des Verbrauchs überrascht dann doch, zumal es weitaus trainingsintensivere Verfahren (etwa von CT-Aufnahmen im medizinischen Bereich) gibt.

Der Stern S2 gehört zu den spektakulärsten Objekten unserer Galaxie: Er bewegt sich in unmittelbarer Nähe des Zentrums der Milchstraße, wo ein supermassereiches Schwarzes Loch sein Unwesen treibt. S2 umrundet dieses Monstrum auf einer lang gestreckten Ellipse, wobei er 16 Jahre für einen Umlauf braucht. Der bläulich leuchtende Riesenstern nähert sich dem Ereignishorizont dabei auf bis zu 120 Astronomische Einheiten an, die 120-fache Entfernung der Erde zur Sonne. Die extreme Schwereanziehung beschleunigt ihn dabei zeitweise auf 2,7 Prozent der Lichtgeschwindigkeit. Seit Mitte der 1990er Jahre verfolgen Astronomen den besonderen Stern mit Teleskopen. Dabei haben sie unter anderem Vorhersagen von Einsteins Relativitätstheorie testen können, die in dem extremen Gravitationsfeld des supermassereichen Schwarzen Lochs zum Tragen kommen. Erst 2018 wiesen Forscher der Europäischen Südsternwarte ESO nach, dass die enorme Schwerkraft das Licht von S2 ein wenig in die Länge zieht, Physiker sprechen von « gravitativer Rotverschiebung ». Ein Team um Tuan Do von der University of California in Los Angeles kommt nun zum selben Ergebnis: Die Forscher werteten alte und neue Messdaten aus, darunter drei noch nicht analysierte Monate aus dem Jahr 2018. Damit könne man sicher sein, dass die gravitative Rotverschiebung auch außerhalb unseres Sonnensystems auftrete, wo die meisten früheren Messungen des Effekts stattgefunden hätten, schreiben die Wissenschaftler in « Science ».