Anwendungen Quanten-Maschinelles-Lernen Innovationszentrum Ulm, Oberpfaffenhofen
Projektleitung
Auftragnehmer

Ziel

Wir verbessern Klimamodellen mithilfe von Quantum-Machine-Learning für robuste Technologiefolgenabschätzung und Mitigationsempfehlungen.

Dazu nutzen wir das Potenzial des Quantencomputings bei der Verbesserung von Klimamodellen mithilfe maschineller Lernverfahren und deren effizienten und umfangreichen Evaluierung mit Erdbeobachtungsdaten für die Ziele des DLR in Kooperation mit Industriepartnern. Um das zu erreichen, entwickeln wir den Prototyp eines Klimamodells, das auf Quantum-Machine-Learning (QML) basiert. Dadurch können Unsicherheiten in Klimavorhersagen für belastbare Technologiefolgenabschätzung und Mitigationsempfehlungen für vielfältige Anwendungen in der Luft- und Raumfahrt, Verkehr und Energie reduziert werden.

Motivation

Erdsystemmodelle (ESMs) simulieren das physikalische Klima und die biogeochemischen Kreisläufe unter einer Vielzahl von Einflüssen. Angesichts ihrer Komplexität gibt es allerdings anhaltende Unsicherheiten in ihren Vorhersagen – vor allem bei Unterschieden in der Darstellung von Prozessen, die auf Skalen kleiner als die Auflösung des Modellgitters auftreten. Diese Prozesse müssen durch Parametrisierungen angenähert werden. Eine Lösung ist die Entwicklung hochauflösender Versionen des ICOsahedral-Nonhydrostatic-Modells (ICON). Hier werden Wolken und Konvektion explizit aufgelöst.

Allerdings sind wolkenauflösende Modelle extrem rechenintensiv und können daher nur für einen sehr kurzen Zeitraum und/oder nur für eine kleine Region eingesetzt werden. Sich allein auf die Leistungssteigerungen beim Supercomputing zu verlassen, ist deswegen keine Lösung. Die jüngsten Entwicklungen im maschinellen Lernen haben ein großes Potenzial: Sie können systematische Fehler in Klimamodellen beseitigen und zu einer erheblichen Beschleunigung der Modelle beitragen.

Herausforderung

Die Klim-QML-Mitarbeiter:innen werden sowohl am DLR-IPA in der Abteilung “Erdsystemmodell-Evaluierung und -Analyse (PA-EVA)” als auch an den DLR Innovationszentren in Ulm und Hamburg in eng mit den Expert/-innen der Innovationszentren, der PA-EVA-Abteilung, deren Kooperationspartnern sowie mit Industriepartnern innovative Konzepte und Algorithmen zusammenarbeiten. Alle Klim-QML-Arbeitsbereiche profitieren von der in der Abteilung vorhandenen Expertise, insbesondere bei der Evaluierung von Klimamodellen mit Erdbeobachtungsdaten sowie bei der Entwicklung von Deep Learning Methoden für Parametrisierungen von Klimamodellen im Rahmen von USMILE. Als Ergebnis erwarten wir eine Verbesserung und Beschleunigung von Klimamodellen und ihren Simulationen, die wir anhand des entwickelten Prototyps eines QML-Klimamodelles am Beispiel eines konkreten Anwendungsfalls demonstrieren werden.


Alle Neuigkeiten

Publikationen