Modellbasiertes Maschinelles Lernen für Klima- und Geowissenschaften
Die Abteilung "Modellbasiertes maschinelles Lernen" entwickelt hybride geowissenschaftliche Modelle, die maschinelles Lernen (ML) mit numerischer Simulation kombinieren. Maschinelles Lernen ist das Mittel der Wahl bei großen Datenmengen, ignoriert aber physikalische Gesetze und lässt sich nur schlecht verallgemeinern und auf neue Szenarien außerhalb ihrer Trainingsdaten anwenden. Numerische Simulationen enthalten wissenschaftlich fundiertes Wissen und lassen sich gut verallgemeinern, haben aber Schwierigkeiten mit datenorientierten Aufgaben wie Parameterabstimmung und Datenassimilation.
Wir verwenden hybride Modelle, um die Atmosphäre und den Ozean besser zu simulieren, zu verstehen und vorherzusagen. Ein Schwerpunkt unserer Forschung ist es, neue Wege zur Darstellung physikalischer, chemischer und biologischer Prozesse auf feinen räumlichen Skalen zu finden, die weit unter dem Gitterabstand einer numerischen Simulation liegen. Letztendlich wollen wir effiziente, genaue und einfach zu verwendende Hybridmodelle als "Bausteine" für Klima- und Wettersimulationen bereitstellen.
Die Arbeitsgruppe ist Teil der Helmholtz AI Initiative