Mierk Schwabe · Lorenzo Pastori · Inés de Vega · Pierre Gentine · Luigi Iapichino · Valtteri Lahtinen · Martin Leib · Jeanette Miriam Lorenz · Veronika Eyring

Cambridge University Press · 2025

Die Anpassung an den Klimawandel erfordert zuverlässige Klimaprognosen, jedoch bleibt die Unsicherheit dieser Prognosen, die von Ensembles von Erdsystemmodellen (ESMs) erstellt werden, weiterhin groß. Dies ist hauptsächlich auf Unsicherheiten bei der Darstellung von Prozessen unterhalb der Gitterauflösung zurückzuführen, wie Turbulenzen oder Konvektion, die bei höherer Auflösung teilweise gemildert werden. Neue Entwicklungen bei maschinell lernbasierten hybriden ESMs zeigen ein großes Potenzial für eine systematische Fehlerreduzierung im Vergleich zu herkömmlichen ESMs. Aufbauend auf der Arbeit mit hybriden (Physik + KI) ESMs diskutieren wir hier das zusätzliche Potenzial zur weiteren Verbesserung und Beschleunigung von Klimamodellen mit Quantencomputern. Wir erörtern, wie Quantencomputer Klimamodelle beschleunigen könnten, indem sie die zugrunde liegenden Differentialgleichungen schneller lösen, wie Quanten-Maschinelles Lernen subgrid-skalige Phänomene in ESMs selbst mit den derzeit verfügbaren rauschbehafteten Quantenvorrichtungen mittlerer Größe besser darstellen könnte, wie Quantenalgorithmen zur Lösung von Optimierungsproblemen bei der Abstimmung der vielen Parameter in ESMs helfen könnten, was derzeit ein zeitaufwändiger und schwieriger Prozess ist, und wie Quantencomputer bei der Analyse von Klimamodellen helfen könnten. Wir diskutieren auch die Hürden und Hindernisse, denen sich die aktuellen Quantencomputing-Paradigmen gegenübersehen. Eine enge interdisziplinäre Zusammenarbeit zwischen Klimawissenschaftlern und Quantencomputing-Experten könnte dazu beitragen, diese Hürden zu überwinden und das Potenzial des Quantencomputings für dieses dringende Thema zu nutzen.

Cambridge University Press (2024)
https://doi.org/10.1017/eds.2025.10010

Creative Commons BY 4.0