Realistischere Klimasimulation dank künstlicher Intelligenz

Durch künstliche Intelligenz können Computer die Auflösung von unscharfen Bildern verbessern, auf Grundlage von Fotos Bilder generieren, die den Stil bestimmter Maler imitieren, oder gar realistische Porträts von Menschen erstellen, die gar nicht existieren. Dahinter stecken oft Generative Adversarial Networks, kurz GANs. Ein Team um Niklas Boers von der TU München hat diese 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 von der TU München. 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.

Es können jedoch nicht alle relevanten Klima­prozesse perfekt in Klima­modellen berück­sichtigt werden. Zum einen, weil viele dieser Prozesse dafür noch nicht genügend erforscht sind, und 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. Deshalb haben wir angefangen, mit GANs ein solches Modell zu optimieren“, sagt Boers.

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 auf maschinellem Lernen basierenden Verbesserung von Klimamodellen zu zeigen, haben die Forscher ein vergleichs­weise einfaches Klimamodell optimiert. Die Algorithmen des Teams nutzen dafür beobachtungs­basierte Wetterdaten. Mit diesen haben sie das verwendete GAN 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.

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 umso 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.

TUM / RK

Weitere Infos

• Originalveröffentlichung
  P. Hess et al.: Physically constrained generative adversarial networks for improving precipitation fields from Earth system models, Nat. Mach. Intell., online 3. Oktober 2022; DOI: 10.1038/s42256-022-00540-1
• Erdsystemmodellierung (N. Boers), School of Engineering and Design, Technischen Universität München