Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWMFestpartikel in unserer Atmosphäre spielen eine wichtige Rolle in unserem Klimasystem und folglich auch für den Klimawandel. Ihre Berücksichtigung in mikrophysikalischen Klimamodellen ist eine zentrale Herausforderung beim Erstellen von globalen Langzeitprognosen. Wie Machine Learning hier helfen kann, untersucht eine Arbeit aus unserem Bereich »High Performance Computing«.
Aerosole im Klimamodell
In der Projektarbeit untersucht unser Bereich »High Perfomance Computing« wie Machine Learning dabei helfen kann, Festpartikel in unserer Atmosphäre in mikrophysikalischen Klimamodellen zu berücksichtigen, die beim Erstellen von globalen Langzeitprognosen eine zentrale Herausforderung darstellen.
© freepik
Kleinstpartikel mit großer Wirkung: Aerosole in Klimamodellen
Projektarbeit zu Machine Learning in der Klimaforschung
Die physikalischen Kräfte, die aus der Bewegung und Transformation von Aerosolmassen in der Atmosphäre entstehen, sind heute die größten Unsicherheitsquellen beim Messen menschengemachter Klima-Effekte. Aerosole entstehen beispielsweise durch die Verbrennung fossiler Energieträger oder vulkanische Eruptionen. Sie streuen oder absorbieren je nach Typus atmosphärische Strahlung und bewirken dadurch entweder Abkühlungs- oder Erwärmungs-Effekte. Sogenannte »Kondensationskerne« bewirken zudem durch die Reflexion von Sonnenlicht eine Verlängerung der Lebensdauer von Wolken.
Das Problem liegt im Aerosol-Detail
Das rechnerische Erfassen und Berücksichtigungen von Aerosol-Effekten in Klimamodellen stellt für die Forschung eine große Herausforderung dar. Es handelt sich hierbei um sehr marginale, mikrophysikalische Veränderungen und Tendenzen, deren Berechnung äußerst zeit- und kostenintensiv ist. Daher betrachten viele Modelle Aerosole lediglich als konstante, externe Parameter und verzeichnen diese im Prozess der Datenerhebung nur einmal. Zudem wird oft nicht zwischen verschiedenen Aerosol-Typen unterschieden und lediglich von einer heterogenen, aber in Bezug auf den Klima-Effekt eindimensionalen Partikelmasse ausgegangen.
Eines der Modelle, das verschiedene Aerosole zwar genau, aber nur sehr zeit- und kostenintensiv erfasst, ist das vom Hamburger Max-Planck-Institut für Meteorologie entwickelte Aerosol-Mikrophysik-Modell. Dieses unterscheidet verschiedene Aerosoltypen wie Meersalz, Sulfate und schwarzen Kohlenstoff. Es erfasst zudem verschiedene physikalische Prozesse wie die Nukleation (Entstehung von Kondensationskernen), Kondensation und Wasseraufnahme.
Machine Learning als Schlüssel zur Optimierung
Unsere Doktorandin Paula Harder beschäftigt sich schwerpunktmäßig mit den Themen »Deep Learning« und »Klimamodellierung« in Kooperation mit der Universität Oxford. In dieser Forschungsarbeit entwickelt sie unter anderem einen Emulator auf Basis Künstlicher Intelligenz, der die Mikrophysik des Aerosol-Modells approximiert und die Berechnungen schneller und effizienter gestaltet. Als Emulator bezeichnet man in der Computertechnik ein System, das ein anderes in bestimmten Teilaspekten nachbildet. Ziel ist es, Klimavorhersagen in globalem Maßstab, mit sehr hoher Präzision und über lange Zeiträume hinweg durch Machine Learning zu ermöglichen. Hierin besteht eine Chance, die Folgen des Klimawandels, wenn nicht zu verhindern, so doch wenigstens zu erkennen und sich darauf vorbereiten zu können.
Um dies zu erreichen, wurden zuerst elf Millionen Input-Output-Datenpaare mit dem Aerosol-Modell generiert. Diese Daten wurden dann genutzt, um ein Neuronales Netz zu trainieren, welches das kostenintensive Ursprungs-Modell ersetzt. Anschließend wurden weitere Rechenvorhaben eingebaut, um physikalische Beschränkungen – wie die Massenerhaltung und -positivität – zu berücksichtigen.
Eine vielversprechende Perspektive
Die Ergebnisse sind äußerst zufriedenstellend: Das Nachbilden des Aerosol-Modells durch das Neuronale Netzwerk funktioniert in den bisherigen Offline-Experimenten sehr gut – tatsächlich wird eine höhere Präzision erreicht. Schließlich wurde auf einem Grafikprozessor die Berechnungszeit zuletzt auf das 64-fache des Wertes des Original-Modells beschleunigt.
Durch diese Vorgehensweise kann der Emulator wieder in ein online geschaltetes globales Klimamodell eingebettet werden, dies ist der nächste Schritt. Ein zentrales Problem der heutigen Klimaforschung – also das schnelle, kosteneffiziente Erfassen und Berechnen von Aerosolmassen – wird also in naher Zukunft voraussichtlich überwunden.
Die Darstellung zeigt die vorhergesagte Konzentrationsveränderung der Aerosole auf einer logarithmischen Skala.
Projektpartner
Paula Harder arbeitet gemeinsam mit der Forschungsgruppe »Klimaprozesse« unter Leitung von Prof. Dr. Philip Stier, Professor für Physik der Atmosphäre und Leiter der Abteilung »Physik der Atmosphäre, der Ozeane und der Planeten« (Atmospheric, Oceanic and Planetary Physics AOPP) an der Universität Oxford
Projektlaufzeit
Das Projekt läuft als Promotionsprojekt über drei Jahre (2020 bis 2023).