Computersimulationen k?nnen die volle Dynamik der realen Welt nicht vollst?ndig aufl?sen - es wird immer eine r?umliche und zeitliche Diskretisierung notwendig sein, die eine Parametrisierung der Skalen erfordert, die kleiner als die Diskretisierungsskala sind. Diese Parametrisierungen werden in der Regel aus einer begrenzten Anzahl von Beobachtungen gewonnen, die nicht notwendigerweise repr?sentativ für den gesamten Globus sind, und oft stark abgestimmt, um eine endgültige L?sung zu erhalten, die nahe am beobachteten mittleren Zustand des Klimasystems liegt. Methoden des maschinellen Lernens (ML) erm?glichen die Entwicklung von Parametrisierungen, die klassische Methoden übertreffen k?nnen und viel robustere L?sungen liefern (z. B. Reichstein et al, 2019 und Referenzen darin). In diesem Zusammenhang besteht eine der gr??ten Herausforderungen - die sowohl den marinen (Physik) als auch den Informatikbereich betrifft - darin, diese Parametrisierungen durch physikalische Gesetze einzuschr?nken, so dass die wichtigsten Erhaltungsprinzipien nicht verletzt werden. Darüber hinaus haben Meereis-Ozean-Modelle wie FESOM bestimmte Engp?sse in hochaufl?senden Konfigurationen, die die Skalierbarkeit und damit die effektive Nutzung von Exascale-Supercomputern der n?chsten Generation ernsthaft behindern. In diesem Zusammenhang wurde vorgeschlagen, rechenintensive Teile durch Ans?tze des maschinellen Lernens zu ersetzen, um Modelle exascale-tauglich zu machen.
In diesem Projekt sollen zwei Haupthypothesen getestet werden: (1) Maschinelles Lernen wird zu wesentlich besseren Parametrisierungen in Klimamodellen führen und (2) Methoden des maschinellen Lernens k?nnen helfen, Rechenengp?sse bei hochaufl?senden Modelll?ufen auf extremen Hochleistungsrechnern zu überwinden. Zum einen ist geplant, neue Parametrisierungen zur Darstellung von Ozeanwirbeln in dem am AWI entwickelten Finite Volume Sea Ice-Ocean Model (FESOM2) zu entwickeln. Zu diesem Zweck werden Modelle, die Wirbel explizit in ultrahoher Aufl?sung aufl?sen, als Beispiele für das Training des ML-Modells verwendet. Darüber hinaus soll auch Beobachtungswissen mit einbezogen werden. Zweitens ist geplant, einen Schritt weiter zu gehen, indem ML-Methoden eingesetzt werden, um bestimmte Teile von Erdsystemmodellen zu ersetzen, die bei hochaufl?senden Konfigurationen Rechenengp?sse darstellen. Ein guter Kandidat ist in diesem Zusammenhang das Meereismodell. Als erster Schritt ist geplant, das ML-Modell auf der gleichen oder einer hochaufl?senden Version des gleichen Meereismodells zu trainieren, das als "wahre" L?sung genommen wird. Weiterhin ist geplant, zu untersuchen, wie Satellitenbeobachtungen in das ML-Modell integriert werden k?nnen. Generell erfordert die Integration zus?tzlicher dom?nenspezifischer Informationen, die als Daten (z.B. Satellitendaten) oder physikalische Modelle (z.B. zur Beschreibung der grundlegenden physikalischen Gesetze der Eisbildung) vorliegen, spezifische Netzstrukturen und angepasste Trainingsverfahren. Hier zielen wir insbesondere darauf ab, sehr hoch aufgel?ste Modelle zu erhalten, bei denen das zugrunde liegende mathematische Modell zu einem schlecht gestellten inversen Problem führt. Dies erfordert die Anpassung von regularisierten Deep-Learning-Ans?tzen, die auf generativen adversarischen Netzwerkarchitekturen basieren (Arridge et al. 2019).
Zielsetzungen in diesem Projekt sind: (1) Verbesserung der Realit?tsn?he von Klimamodellen und damit ihrer F?higkeit, zukünftige Klimaver?nderungen zu projizieren, (2) Entwicklung von Parametrisierungen von Prozessen auf der Untergitter-Skala basierend auf ML-Methoden für FESOM2 und (3) ?berwindung von Rechenengp?ssen in FESOM2 durch Ersetzen eines Teils des Codes durch ML-Approximationen.
Mehr Informationen unter: https://www.mardata.de/
