Valentina Sarandrea

DLR QCI – KlimQML · 2025

Die Parametrisierung der Wolkendecke spielt eine wichtige Rolle in Klimamodellen und beeinflusst den Strahlungstransfer, die atmosphärische Dynamik und den Wasserkreislauf. Ihre korrekte Formulierung stellt jedoch nach wie vor eine große Herausforderung in der Klimamodellierung dar, da Wolkprozesse unterhalb der Gitterauflösung approximiert werden müssen. Klassische und quantenbasierte neuronale Netze wurden als potenzielle Werkzeuge zur Verbesserung dieser Parametrisierungen vorgeschlagen. Während frühere Studien darauf hindeuten, dass klassische neuronale Netze physikalisch aussagekräftige Ergebnisse liefern können, bleibt unklar, ob quantenbasierte neuronale Netze (QNNs) ähnliche Fähigkeiten aufweisen oder auf falschen Korrelationen beruhen. Diese Studie beginnt mit einem Vergleich zwischen einem klassischen neuronalen Netz und einem quantenbasierten neuronalen Netz, um zu beurteilen, ob sie bei der Vorhersage der Wolkendecke vergleichbare physikalische Abhängigkeiten erfassen, bevor alternative Architekturen für jeden Ansatz untersucht werden. Mithilfe von erklärbaren KI-Techniken (XAI), insbesondere SHapley Additive exPlanations (SHAP), werden die gelernten Merkmalsabhängigkeiten in beiden Modelltypen analysiert. Dieser Ansatz ermöglicht es uns, nicht nur die Vorhersageleistung zu bewerten, sondern auch das Ausmaß, in dem jedes Modell die zugrunde liegende Physik der Wolkendecke erfasst. Unsere Ergebnisse zeigen, dass sowohl klassische als auch Quantenmodelle ähnliche Lernmuster aufweisen und vergleichbare Beziehungen aus den Daten extrahieren. Das QNN übertrifft zwar das klassische Netzwerk nicht, erzielt jedoch vergleichbare Ergebnisse, was darauf hindeutet, dass Quantum Machine Learning (QML) in diesem Bereich ein praktikabler Ansatz sein könnte. Diese Erkenntnisse tragen zur laufenden Erforschung von QML in der Klimawissenschaft bei und unterstreichen das Potenzial von Quantenmethoden für die Atmosphärenmodellierung. Im weiteren Sinne unterstützt diese Studie die Integration von maschinellem Lernen in die Klimawissenschaft und gewährleistet gleichzeitig physikalische Konsistenz und Interpretierbarkeit.

DLR electronic library (2025)
https://elib.dlr.de/213916/