Paper: Quantum Neural Networks for Cloud Cover Parameterizations in Climate Models
Lorenzo Pastori · Arthur Grundner · Veronika Eyring · Mierk Schwabe
Arxiv · 2025
Langfristige Klimaprognosen erfordern die Anwendung globaler Erdsystemmodelle auf Zeitskalen von Hunderten von Jahren und haben aufgrund ihrer hohen Rechenkosten eine relativ grobe Auflösung (von 40 bis 160 km in horizontaler Richtung). Unaufgelöste Prozesse im Subgittermaßstab, wie beispielsweise Wolken, werden auf semi-empirische Weise durch sogenannte Parametrisierungen beschrieben, die eine wesentliche Quelle der Unsicherheit in Klimaprognosen darstellen. Maschinelle Lernmodelle, die auf kurzen hochauflösenden Klimasimulationen trainiert wurden, sind vielversprechende Kandidaten, um herkömmliche Parametrisierungen zu ersetzen. In dieser Arbeit untersuchen wir das Potenzial des quantenbasierten maschinellen Lernens (QML) und insbesondere der quantenbasierten neuronalen Netze (QNNs) für die Entwicklung von Parametrisierungen der Wolkendecke. QNNs unterscheiden sich von ihren klassischen Pendants, und ihre potenziell hohe Ausdruckskraft macht sie zu vielversprechenden Werkzeugen für genaue datengesteuerte Schemata, die in Klimamodellen verwendet werden können. Wir führen eine umfassende vergleichende Analyse zwischen mehreren QNNs und klassischen neuronalen Netzen (NNs) durch, indem wir beide Ansätze mit Daten aus hochauflösenden Simulationen mit dem ikosaedrischen nicht-hydrostatischen Wetter- und Klimamodell (ICON) trainieren. Unsere Ergebnisse zeigen, dass die Gesamtleistung der untersuchten QNNs mit der von klassischen NNs ähnlicher Größe, d. h. mit derselben Anzahl trainierbarer Parameter, vergleichbar ist, wobei beide Ansätze die in Klimamodellen verwendeten Standardparametrisierungen übertreffen. Unsere Studie umfasst eine Analyse der Generalisierungsfähigkeit der Modelle sowie der geometrischen Eigenschaften ihrer Optimierungslandschaft. Wir untersuchen auch die Auswirkungen von endlichem Abtastrauschen und zeigen, dass das Training und die Vorhersagen der QNNs selbst in dieser rauschbehafteten Umgebung stabil sind. Diese Ergebnisse belegen die Anwendbarkeit von QML zum Erlernen aussagekräftiger Muster in Klimadaten und sind daher für eine Vielzahl von Problemen innerhalb der Klimamodellierungsgemeinschaft relevant.
Arxiv (2025)
https://doi.org/10.48550/arXiv.2502.10131
