Mit SWIFT-AI erforschen wir Methoden des Maschinellen Lernens (ML) und wenden sie auf die stratosph?rische Ozonchemie an. Das Modell soll erstens die detaillierten Chemieschemata von Chemie- und Transportmodellen (CTMs) ersetzen und zweitens an globale Klimamodelle - General Circulation Models (GCMs) - gekoppelt werden. Die Modellierung des Erdsystems ist eine komplexe Aufgabe und Modelle enthalten in der Regel eine gro?e Anzahl an Teilmodulen und Parametrisierungen. Dies gilt zum Beispiel für die Atmosph?re, die Hydrosph?re, die Lithosph?re und Kryosph?re. Die Atmosph?renchemie ist komplex und umfasst in der Regel Dutzende von chemischen Spezies und Hunderte von Reaktionen mit einer gro?en Bandbreite an Konzentrationen und chemischen Lebensdauern. SWIFT-AI verwendet Methoden der künstlichen Intelligenz zur Vorhersage der stratosph?rischen Ozontendenzen. Zus?tzlich zur Vorhersage soll die Modellunsicherheit ausgenutzt und w?hrend eines Simulationslaufs verwendet werden. Die Trainingsdaten stammen aus stratosph?rischen Chemiesimulationen des Lagrangeschen CTMs ATLAS und bestehen aus den Ozontendenzen und 55 Parameter, die zu jedem Modellpunkt und Zeitschritt gespeichert wurden. Diese Daten dienen als Grundlage für das überwachte Lernen des hochgradig nichtlinearen Zusammenhangs. Eine frühere Version des SWIFT-Modells verwendete einen polynomialen Approximationsansatz. In SWIFT-AI nutzen wir die F?higkeiten von neuronalen Netzen, um die Approximation zu verbessern und entwickeln einen Algorithmus zur Unsicherheitssch?tzung, um die Robustheit des Modells zu erh?hen. Der Gesamtvorteil von diesem Ersatzmodell liegt im Wesentlichen in der geringeren Berechnungszeit (Minuten statt Tage) im Vergleich zum vollst?ndigen Chemiemodell ATLAS, wobei dennoch eine hohe Genauigkeit erreicht wird.
Mehr Informationen unter: https://www.mardata.de/
