19. Februar 2024

Quantencomputing-Projekt Klim-QML startet mit Unternehmen d-fine und planqc

Klim-QML ist ein Projekt des DLR-Instituts für Physik der Atmosphäre (IPA) im Rahmen der DLR Quantencomputing-Initiative (DLR QCI), das das Potenzial des Quantencomputings bei der Verbesserung von Klimamodellen  nutzen und den ersten Prototypen eines mit quantenmaschinellen Lernverfahren verbesserten Klimamodells entwickeln soll. Dadurch sollen Unsicherheiten in Klimavorhersagen für belastbare Technologiefolgenabschätzung reduziert und Mitigationsempfehlungen für vielfältige Anwendungen in der Luft- und Raumfahrt, Verkehr und Energie ermöglicht werden. Das Projekt wird vom Bundesministerium für Wirtschaft und Klimaschutz finanziert und baut auf umfangreichen Erfahrungen auf, die am IPA im Rahmen des ERC Synergy Grants USMILE im Bereich der Verbesserung von Klimamodellen mit maschinellem Lernen erarbeitet wurden.

Abb. 1: Kickoff beim DLR-Institut für Physik der Atmosphäre, Oberpfaffenhofen. Hinten: Mierk Schwabe (DLR IPA), Ferdinand Graf (d-fine), Andreas Spörl (DLR QCI), Martin Kiffner (planqc), Daniel Ceglinski (DLR QCI), Veronika Eyring (DLR IPA), Steffen Hien (d-fine). Vorn: Lena Dogra, Ellen Sarauer, Lorenzo Pastori, Jérémy Kraft (alle DLR IPA).

Nun hat Klim-QML einen Auftragnehmer zur Unterstützung bei der Entwicklung und Implementierung von Quantencomputing-Algorithmen gefunden: Ein Konsortium der Unternehmensberatung d-fine und des Garchinger Neutralatom-Startups planqc wird das DLR-Team um Dr. Mierk Schwabe und Prof. Veronika Eyring dabei unterstützen, das Rechenpotenzial der DLR QCI-Quantencomputer für Anwendungen bei der Klimaforschung zu erschließen. Planqc ist bereits mit dem Projekt DiNAQC in die DLR QCI eingebunden. Mit diesen Unternehmen wurde am 21. September der Kick-Off begangen.

Erdsystemmodelle (ESMs) simulieren das physikalische Klima und die biogeochemischen Kreisläufe unter einer Vielzahl von Einflüssen und sind essentiell in der Vorhersage des sich ändernden Klimas. Es gibt dabei allerdings anhaltende Unsicherheiten in ihren Vorhersagen, die vor allem durch die Darstellung von Prozessen verursacht sind, die auf Skalen kleiner als die Auflösung des Modellgitters auftreten. Diese Prozesse müssen durch Parametrisierungen angenähert werden.

Abb. 2: Schematische Darstellung der Kombination von Erdsystemmodellierung mit Quantencomputing.

Simulationen mit wolkenauflösenden Modellen sind extrem rechenintensiv und können daher nur für einen sehr kurzen Zeitraum oder nur für eine kleine Region eingesetzt werden. Sich allein auf die Leistungssteigerungen beim Supercomputing zu verlassen, ist deswegen keine Lösung. Im Rahmen von USMILE werden wolkenauflösende Modelle zum Training von Algorithmen des maschinellen Lernens verwendet, was systematische Fehler in Klimamodellen beseitigen und zu einer erheblichen Beschleunigung der Modelle beitragen kann.

Im Rahmen von Klim-QML wird auf der so aufgebauten Expertise aufgebaut und die Arbeiten auf das quantenmaschinelle Lernen ausgeweitet, deren Methoden im Vergleich zu klassischen Vorgehensweisen potentiell besser sind, z.B. sich besser trainieren lassen und besser auf nicht beim Training verwendete Daten generalisieren. Zudem werden erste Methoden entwickelt, um Quantencomputer bei der Einstellung von freien Parametern der Klimamodelle zu verwenden. D-fine und planqc werden hier die konkrete Umsetzung auf DLR QCI-Quantencomputern verantworten. Schließlich wird der Klimamodell-Prototyp mit einem Anwendungsfall verwendet und ausführlich mithilfe von Beobachtungsdaten mittels des am IPA entwickelten ESMValTools evaluiert.

„Wir sehen großes Potenzial, die Modelle mittels Quantencomputing weiter zu verbessern und zu beschleunigen“, sagt Veronika Eyring. Mierk Schwabe fügt hinzu: „Durch die Forschung an diesem essentiellen Thema bauen wir uns wichtige Kompetenzen für die Zukunft auf.“