Systemanalyse und Modellierung

Modellbasiertes Maschinelles Lernen für Klima- und Geowissenschaften

Die Gruppe "Modellbasiertes Maschinelles Lernen" zielt darauf ab, die komplexe Dynamik der Erdatmosphäre, des Ozeans, des Landes und des Eises zu verstehen und zu prognostizieren. Physikbasierte Simulationen bewältigen diese Komplexität gut, haben jedoch Probleme mit der Datenassimilation, der Parametereinstellung und der Quantifizierung der Unsicherheit. Maschinelles Lernen lebt von großen Datenmengen, ignoriert jedoch die Physik und lässt sich nur schlecht auf neue Szenarien übertragen. Wir werden physik- und datengesteuerte Ansätze kombinieren, um Erkenntnisse zu gewinnen, die für beide Ansätze separat nicht verfügbar sind. Diese Arbeit dient dazu, unser physikalisches Verständnis des Erdsystems zu verbessern und Vorhersagen von Extrem-Ereignissen in naher und ferner Zukunft zu verbessern.

Wir entwickeln hybride Methoden, die die Vorteile von Deep Learning und physikalischer Modellierung in einem Bayes'schen Rahmen kombinieren. Beispiele für diesen Hybridansatz sind:

  • Neuronale Netze, die Differentialgleichungen lösen
  • Algorithmen, die lernen, Modellparameter mithilfe von Simulationsergebnissen als Trainingsdaten abzuleiten
  • Modelle für maschinelles Lernen, die physikalische Gesetze respektieren
  • Flexible Funktionsapproximatoren, um Lücken in unserem physikalischen Wissen zu schließen
  • Normalisierung von Flows, VAEs und GANs, die Unsicherheiten in Bezug auf Temperatur, Niederschlag, Feuer und Überschwemmungen modellieren

Die Arbeitsgruppe ist Teil der Helmholtz AI Initiative