Forscher haben mithilfe von Deep Learning genauer als je zuvor modelliert, wie sich Eiskristalle in der Atmosphäre bilden. Ihr Papier, das diese Woche in PNAS veröffentlicht wurde, weist auf das Potenzial hin, die Genauigkeit von Wetter- und Klimavorhersagen erheblich zu erhöhen.
Die Forscher nutzten Deep Learning, um vorherzusagen, wie sich Atome und Moleküle verhalten. Zunächst wurden Modelle mit kleinmaßstäblichen Simulationen von 64 Wassermolekülen trainiert, um vorhersagen zu können, wie Elektronen in Atomen interagieren. Die Modelle replizierten diese Wechselwirkungen dann in größerem Maßstab mit mehr Atomen und Molekülen. Es ist diese Fähigkeit, Elektronenwechselwirkungen genau zu simulieren, die es dem Team ermöglichte, das physikalische und chemische Verhalten genau vorherzusagen.
„Die Eigenschaften von Materie ergeben sich aus dem Verhalten von Elektronen“, sagt Pablo Piaggi, wissenschaftlicher Mitarbeiter an der Princeton University und Hauptautor der Studie. „Die explizite Simulation dessen, was auf dieser Ebene passiert, ist eine Möglichkeit, viel reichhaltigere physikalische Phänomene zu erfassen.“
Es ist das erste Mal, dass diese Methode verwendet wird, um etwas so Komplexes wie die Bildung von Eiskristallen, auch bekannt als Eiskeimbildung, zu modellieren. Dies ist einer der ersten Schritte bei der Bildung von Wolken, aus denen alle Niederschläge stammen.
Xiaohong Liu, Professor für Atmosphärenwissenschaften an der Texas A&M University, der nicht an der Studie beteiligt war, sagt, dass die Hälfte aller Niederschlagsereignisse – ob Schnee, Regen oder Graupel – als Eiskristalle beginnen, die dann größer werden und zu Niederschlag führen. Wenn Forscher die Eisnukleation genauer modellieren könnten, könnte dies der Wettervorhersage insgesamt einen großen Schub geben.
Die Eisnukleation wird derzeit auf der Grundlage von Laborexperimenten vorhergesagt. Die Forscher sammeln Daten zur Eisbildung unter verschiedenen Laborbedingungen, und diese Daten werden unter ähnlichen realen Bedingungen in Wettervorhersagemodelle eingespeist. Diese Methode funktioniert manchmal gut genug, aber oft ist sie aufgrund der schieren Anzahl von Variablen, die an den tatsächlichen Wetterbedingungen beteiligt sind, ungenau. Wenn auch nur ein paar Faktoren zwischen dem Labor und der realen Welt variieren, können die Ergebnisse ganz anders ausfallen.
„Ihre Daten gelten nur für eine bestimmte Region, Temperatur oder Laborumgebung“, sagt Liu.
Die Vorhersage der Eiskeimbildung anhand der Art und Weise, wie Elektronen interagieren, ist viel präziser, aber auch sehr rechenintensiv. Es erfordert, dass Forscher mindestens 4.000 bis 100.000 Wassermoleküle modellieren, und selbst auf Supercomputern kann eine solche Simulation Jahre dauern. Selbst das wäre nur in der Lage, die Interaktionen für 100 Pikosekunden oder 10 zu modellieren-10 Sekunden – nicht lang genug, um den Eisbildungsprozess zu beobachten.
Mithilfe von Deep Learning konnten die Forscher die Berechnungen jedoch in nur 10 Tagen durchführen. Die Zeitdauer war auch 1.000 Mal länger – immer noch ein Bruchteil einer Sekunde, aber gerade genug, um Keimbildung zu sehen.
Natürlich werden genauere Modelle der Eiskeimbildung allein die Vorhersage nicht perfekt machen, sagt Liu, da es sich nur um eine kleine, aber kritische Komponente der Wettermodellierung handelt. Andere Aspekte sind ebenfalls wichtig – zum Beispiel zu verstehen, wie Wassertropfen und Eiskristalle wachsen und wie sie sich unter verschiedenen Bedingungen bewegen und miteinander interagieren.
Dennoch würde die Fähigkeit, genauer zu modellieren, wie sich Eiskristalle in der Atmosphäre bilden, die Wettervorhersage erheblich verbessern, insbesondere solche, die sich darauf beziehen, ob und wie viel es wahrscheinlich regnen oder schneien wird. Es könnte auch die Klimavorhersage unterstützen, indem es die Fähigkeit verbessert, Wolken zu modellieren, die die Temperatur des Planeten auf komplexe Weise beeinflussen.
Piaggi sagt, dass zukünftige Forschung die Eisbildung modellieren könnte, wenn Substanzen wie Rauch in der Luft sind, was die Genauigkeit der Modelle möglicherweise noch weiter verbessern würde. Aufgrund von Deep-Learning-Techniken ist es jetzt möglich, Elektronenwechselwirkungen zu nutzen, um größere Systeme über längere Zeiträume zu modellieren.
„Das hat im Wesentlichen ein neues Feld eröffnet“, sagt Piaggi. „Bei Simulationen in der Chemie und bei unseren Materialsimulationen spielt es bereits eine noch größere Rolle und wird es noch werden.“