Lorenzo Pastori・Arthur Grundner・Veronika Eyring・Mierk Schwabe

Machine Learning: Earth・2026

Langfristige Klimaprojektionen 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 der Horizontalen). Unaufgelöste Prozesse auf der Untergitterebene, wie z. B. Wolken, werden auf halbempirische Weise durch so genannte Parametrisierungen beschrieben, die eine Hauptquelle der Unsicherheit bei Klimaprojektionen darstellen. Modelle des maschinellen Lernens (ML), die auf kurzen hochauflösenden Klimasimulationen trainiert wurden, sind vielversprechende Kandidaten, um konventionelle Parametrisierungen zu ersetzen. In dieser Arbeit gehen wir einen Schritt weiter und erforschen das Potenzial von Quanten-ML und insbesondere von Quantenneuronalen Netzen (QNNs), um Parametrisierungen für die Bewölkung zu entwickeln. QNNs unterscheiden sich von ihren klassischen Gegenstücken, und ihre potenziell hohe Ausdruckskraft macht sie zu vielversprechenden Werkzeugen für genaue datengesteuerte Schemata, die in Klimamodellen verwendet werden können. Hier führen wir eine umfassende vergleichende Analyse zwischen mehreren QNNs und klassischen neuronalen Netzen (NNs) durch, indem wir beide auf Daten trainieren, die aus hochauflösenden Simulationen mit dem nicht-hydrostatischen Wetter- und Klimamodell ICOsahedral (ICON) stammen. Unsere Ergebnisse zeigen, dass die Gesamtleistung der untersuchten QNNs mit der von klassischen NNs ähnlicher Größe vergleichbar ist, d.h. mit der gleichen Anzahl von trainierbaren Parametern, wobei beide Ansätze die in Klimamodellen verwendeten Standardparametrisierungen übertreffen. Unsere Studie umfasst auch eine Analyse der Generalisierungsfähigkeit der Modelle sowie der geometrischen Eigenschaften ihrer Optimierungslandschaft. Darüber hinaus untersuchen wir die Auswirkungen von endlichem Stichprobenrauschen und zeigen, dass das Training und die Vorhersagen der QNNs selbst in dieser verrauschten Umgebung stabil sind. Diese Arbeit untersucht kritisch die Anwendbarkeit von Quanten-ML, um sinnvolle Muster in Klimadaten zu lernen, und ist daher für eine breite Palette von Problemen innerhalb der Klimamodellierungsgemeinschaft relevant.

Machine Learning: Earth (2026)
https://iopscience.iop.org/article/10.1088/3049-4753/ae4981

IOPscience · Creative Commons BY 4.0