Künstliche Intelligenz Machine Learning macht Klimasimulationen genauer

Durch Künstliche Intelligenz können Computer schon heute die Auflösung von unscharfen Bildern verbessern, auf Grundlage von Fotos Bilder generieren, die den Stil bestimmter Maler imitieren, oder realistische Porträts von Menschen erstellen, die gar nicht existieren. Dahinter stecken oft sogenannte Generative Adversarial Networks (GANs). Ein Team um Niklas Boers, Professor für Erdsystemmodellierung an der Technischen Universität München (TUM) und Forscher am Potsdamer Institut für Klimafolgenforschung (PIK), hat diese Machine-Learning-Algorithmen jetzt in der Klimaforschung eingesetzt.

„Klimamodelle unterscheiden sich von Modellen, die für Wettervorhersagen genutzt werden, vor allem durch ihren weiter angelegten zeitlichen Rahmen. Der Horizont von Wettervorhersagen liegt bei einigen Tagen, der von Klimamodellen bei Jahrzehnten bis Jahrhunderten“, erklärt Philipp Hess, Erstautor der Studie und wissenschaftlicher Mitarbeiter an der Professur für Erdsystemmodellierung. Das Wetter lässt sich für eine bestimmte Region und einen begrenzten Zeitraum von wenigen Tagen relativ genau vorhersagen und anschließend durch Beobachtungen überprüfen. Beim Klima geht es nicht um eine zeitliche Vorhersage, sondern unter anderem darum, einzuschätzen, wie sich steigende Treibhausgas-Emissionen langfristig auf das Klima auswirken.

Rechenprobleme bei Extremereignissen

Es können jedoch nicht alle relevanten Klimaprozesse perfekt in Klimamodellen berücksichtigt werden. Zum einen, weil viele dieser Prozesse dafür noch nicht genügend erforscht sind, zum anderen, weil detaillierte Simulationen zu lange bräuchten und zu viel Rechenleistung beanspruchen würden. „Insbesondere extreme Niederschlagsereignisse lassen sich daher mit Klimamodellen noch nicht so gut berechnen, wie wir es uns wünschen“, sagt Niklas Boers. „Deshalb haben wir angefangen, mit GANs ein solches Modell zu optimieren.“

Grob zusammengefasst bestehen GANs aus zwei neuronalen Netzwerken. Das eine Netzwerk versucht, aus einer Vorlage ein zuvor definiertes Produkt zu erschaffen, das andere versucht, dieses künstlich generierte Produkt von realen Beispielen zu unterscheiden. Die beiden Netzwerke stehen dabei in einem Wettbewerb, bei dem sie sich kontinuierlich verbessern. Eine praktische Anwendung von GANs wäre, Landschaftsgemälde in realistische Fotos zu „übersetzen“. Die beiden neuronalen Netzwerke spielen sich dabei die auf Basis der Gemälde erzeugten fotorealistischen Bilder so lange hin und her, bis sie sich nicht mehr von echten Fotos unterscheiden lassen.

Das Team um Boers ging ähnlich vor: Um das Potenzial der Machine-Learning-basierten Verbesserung von Klimamodellen zu zeigen, haben die Forschenden ein vergleichsweise einfaches Klimamodell optimiert. Die Algorithmen nutzen dafür beobachtungsbasierte Wetterdaten. Mit diesen wurde das GAN dazu trainiert, die Simulationen des Klimamodels so zu verändern, dass sie von Wetterbeobachtungen nicht mehr zu unterscheiden sind. „So lässt sich der Detailgrad und Realismus auch ohne aufwendige zusätzliche Prozessberechnungen erhöhen“, erklärt Markus Drücke, Klimamodellierer am PIK und Co-Autor der Studie.

Geringerer Stromverbrauch durch GANs

Selbst verhältnismäßig einfache Klimamodelle sind komplex und werden mit Supercomputern berechnet, deren Verwendung mit einem hohem Energieverbrauch einhergeht. Je mehr Details solch ein Modell berücksichtigt, desto aufwendiger die Berechnungen und desto höher der Stromverbrauch.

Der Rechenaufwand der Anwendung eines trainierten GANs auf eine Klimasimulation ist im Vergleich zu den Berechnungen des Klimamodells selbst allerdings vernachlässigbar. „Es macht daher nicht nur zur Verbesserung und Beschleunigung der Simulationen, sondern auch zum Einsparen von Energie Sinn, mit GANs Klimamodelle detailreicher und realistischer zu machen“, erklärt Hess.