Gekoppeltes Online-Lernen als Ansatz zur Bekämpfung von Instabilitäten und Verzerrungen in der Parameterisierung von neuronalen Netzwerken: allgemeine Algorithmen und Lorenz 96 Fallstudie (v1.0)

Zusammenfassung. In den letzten Jahren haben sich maschinelles Lernen-Parameterisierungen als potenzieller Weg herausgestellt, um die Darstellung von Subgrid-Prozessen in Erdsystemmodellen (ESMs) zu verbessern. Bisher basierten alle Studien auf demselben dreistufigen Ansatz: Zuerst wurde ein Trainingsdatensatz aus einer hochauflösenden Simulation erstellt, dann wurde ein Algorithmus für maschinelles Lernen an diesen Datensatz angepasst, bevor der trainierte Algorithmus im ESM implementiert wurde. Die resultierenden Online-Simulationen waren häufig von Instabilitäten und Verzerrungen betroffen. Hier wird gekoppeltes Online-Lernen als Möglichkeit vorgeschlagen, diese Probleme zu bekämpfen. Gekoppeltes Lernen kann als zweite Trainingsphase gesehen werden, in der die vortrainierte Parameterisierung des maschinellen Lernens, speziell ein neuronales Netzwerk, parallel zu einer hochauflösenden Simulation läuft. Die hochauflösende Simulation wird durch ständiges Nudging mit dem vom neuronalen Netzwerk gesteuerten ESM synchronisiert. Dies ermöglicht es dem neuronalen Netzwerk, aus den Tendenzen zu lernen, die die hochauflösende Simulation produzieren würde, wenn sie die Zustände erleben würde, die das neuronale Netzwerk erzeugt. Das Konzept wird am Beispiel des Lorenz 96 Modells veranschaulicht, wo das gekoppelte Lernen in der Lage ist, die „wahren“ Parameterisierungen wiederherzustellen. Darüber hinaus werden detaillierte Algorithmen für die Implementierung des gekoppelten Lernens in 3D-Wolkenauflösenden Modellen und dem Superparameterisierungsrahmen vorgestellt. Schließlich werden herausragende Herausforderungen und Probleme, die durch diesen Ansatz nicht gelöst werden, diskutiert.