Unser Projekt KLIM-QML hat einen Auftragnehmer für die Entwicklung und Implementierung eines prototypischen Klimamodells auf Basis von Quanten-maschinellem-Lernen gefunden: Ein Konsoritum der Unternehmensberatung D-fine und des Garchinger Neutralatom-Startups Planqc wird das DLR-Team um Mierk Schwabe und Veronika Eyring vom DLR-Institut für Physik der Atmosphäre dabei unterstützen, das Rechenpotenzial der DLR QCI-Quantencomputer für Anwendungen bei der Klimaforschung zu erschließen. Planqc ist bereits mit dem Projekt DiNAQC in die DLR QCI eingebunden.
Mit Klim-QML und dem Auftrag für D-Fine und Planqc baut das DLR seine Kompetenzen im Quanten-maschinellen-Lernen weiter aus und schafft einen sehr relevanten Anwendungsfall. In Zukunft soll Quanten-maschinelles-Lernen zu genaueren und schnelleren Klimamodellen und damit verbesserten Technikfolgenabschätzungen und Mitigationsempfehlungen beitragen.
Bessere Modelle für eine Risiko-trächtigere Zukunft
Der menschgemachte Klimawandel stellt unsere gesellschaftlichen Systeme vor enorme Herausforderungen. Bessere Klimamodelle können uns dabei helfen, uns besser auf diese Risiken vorzubereiten. Da von der Genauigkeit und Schnelligkeit von Klimamodellen direkt abhängt, wie robust solche Technikfolgenabschätzungen und Mitigationsempfehlungen sein können, können wir uns künftig nicht allein auf die Leistungssteigerungen beim klassischen Supercomputing verlassen. Deshalb untersucht das DLR-Institut für Physik der Atmosphäre in unserem Projekt KLIM-QML, wie Quantencomputer und Quanten-maschinelles-Lernen (QML) zur Verbesserung und Beschleunigung von Klimamodellen beitragen können.
Dazu werden D-fine und Planqc als Konsortium zunächst an der Entwicklung eines Konzepts für das QML-Klimamodell mitarbeiten und die erarbeiteten Algorithmen auf den Quantencomputern implementieren. Als Hauptaufgabe unterstützen die Unternehmen die konkrete Implementierung der Verbesserung von Parameterisierungen und des Tunings mit Quantencomputing-Algorithmen
Mit der Zusammenarbeit von D-fine, Planqc und Klim-QML erweitern wir nicht nur unsere eigenen Kompetenzen, sondern unterstützen die Synergien mit unseren andern QML-Projekten. Vor allem aber vernetzen wir damit die zwei wichtigen Themengebiete Quantencomputing und Klimaforschung und wollen so zu einem besseren Verständnis der Folgen des Klimawandels beitragen.
Parametertuning mit Quantencomputern
Der Auftrag an D-fine und Planqc umfasst zwei Hauptarbeitspakete: Das erste beschäftigt sich mit dem Tuning von Klimamodellen, bei dem die freien Parameter des Modells richtig eingestellt werden. Dabei werden D-fine und Planqc mit der Implementierung des Tunings mittels Quantencomputer zunächst auf einem Quantencomputing-Simulator und später auf einem Quantencomputer der DLR QCI helfen; den Anfang macht ein Toy-Modell.
In einem zweiten Arbeitspaket werden einzelne Parameterisierungen basierend auf hochaufgelösten Trainingsdaten ersetzt. Parameterisierungen in Klimamodellen beschreiben Prozesse wie beispielsweise Wolkenbildung, die aufgrund der beschränkten Rechenkapazität nicht direkt aufgelöst werden können, und tragen wesentlich zu Unsicherheiten in Klimaprojektionen bei. Im Zentrum stehen dabei die Parameterisierungen, die für den Klim-QML-Anwendungsfall der Schiffsemissionen besonders relevant sind, also die Wolken-Mikrophysik, Wolkenbedeckung und Turbulenz. Dabei wird D-fine zusammen mit Planqc für eine dieser Parameterisierungen eine Implementierung mit Quantenmaschinellem Lernen zunächst auf einem Simulator und dann auf einem Quantencomputer der DLR QCI übernehmen.
Verbesserung von Klimamodellen durch Quantum-Machine-Learning
Wir verbessern Klimamodellen mithilfe von Quantum-Machine-Learning für robuste Technologiefolgenabschätzung und Mitigationsempfehlungen.
Cookie Consent mit Real Cookie Banner