Johannes Lohmann

Projekttitel

SPICE - Safe Prediction of unseen regimes with physics-Informed Climate Emulators

Hvad handler dit projekt om?

I projektet vil jeg teste, om maskinlæringsmodeller sikkert kan bruges til klimaprognoser. Den videnskabelige udfordring er, at klimasystemet kan have flere alternative ligevægtstilstande, som adskiller sig fra det nuværende klima med hensyn til udbredelsen af ​​polaris, aktiviteten i den atlantiske cirkulation og vegetationsdække (for eksempel i Amazonas), blandt andet. I den nærmeste fremtid kan der ske en overgang til en af ​​disse alternative tilstande ved et tipping point. Da sådanne mulige fremtidige tilstande ikke er taget højde for i træningsdata fra klimaobservationer, vil disse være meget svære for maskinlæring at forudsige. Jeg foreslår at løse dette ved at designe en maskinlæringsarkitektur med flere lag af fysiske sidebetingelser, som inkorporerer de ikke-lineære processer, der fører til alternative klimatilstande.

Hvordan opstod din interesse for dit forskningsfelt?

Under mine universitetsstudier så jeg, hvordan fysik ofte reducerer fænomener til idealiserede problemer, bedst opsummeret med ordsproget: "let us now consider a spherical cow". Selvom dette på lang sigt helt sikkert fører til samfundsmæssigt relevante gennembrud, ledte jeg efter måder, hvorpå fysikere kan bidrage mere direkte til forståelsen af ​​fænomener i den virkelige verden. Dette førte til postgraduate studier af komplekse systemer og gav en mulighed af særlig aktuel relevans, studiet af pludselige klimaforandringer i fortid og fremtid, under min ph.d. Det klassiske studie af komplekse systemer begynder at blive erstattet af maskinlæring – på bekostning af procesforståelse og forudsigelsers pålidelighed. Jeg ønskede derfor at arbejde med grænsefladen mellem de to og bidrage til forståelsen af ​​klimakrisen samt sikkerhedsspørgsmål i forbindelse med brugen af ​​kunstig intelligens.

Hvad er de forskningsmæssige udfordringer og perspektiver ved dit projekt?

Projektet stræber efter at nå et ambitiøst mål, dvs. at udføre (på en pålidelig måde) et ret ekstremt tilfælde af out-of-sample-forudsigelse af et meget komplekst, højdimensionelt system. På nuværende tidspunkt er det tvivlsomt, om selv de mest avancerede maskinlæringsmodeller vil være i stand til at gøre dette. Det er særligt udfordrende effektivt at efterligne den koblede, kaotiske dynamik i flere sfærer i klimasystemet på forskellige tidsskalaer, dvs. udviklingen af ​​havet, atmosfæren og kryosfæren, samtidig med at arkitekturen forbliver transparent og fortolkelig. Derudover skal det forstås, hvordan man bedst lærer den ikke-lineære ændring i et komplekst systems dynamik ved variationer af dets randbetingelser. Ved at gøre det vil vi flytte grænserne for maskinlæring og betydeligt uddybe vores forståelse af multistabile, komplekse systemer og klimaet i særdeleshed.

Hvilke perspektiver vurderer du selv, at din forskning på sigt kan have for det omgivende samfund?

Projektet vil i første omgang afdække begrænsningerne ved brugen af ​​avancerede maskinlæringsmodeller til at forudsige komplekse systemer over længere tidshorisonter. Dette vil være et vigtigt budskab til forskere og den brede offentlighed, der i stigende grad er afhængige af maskinlæringsstyrede beslutninger og svar, men som ikke altid kender de skjulte risici ved at få plausible, men falske resultater. Ved at arbejde hen imod en ny metode, der kan omgå problemerne, vil vi forbedre klimaforudsigelser og deres usikkerheder, samtidig med at vi delvist letter den store beregningsmæssige byrde ved rent fysikbaserede klimamodeller. Arbejdet vil også gavne andre anvendelsesområder i naturlige og menneske-skabede systemer, hvor maskinlæringsforudsigelser uden for stikprøven er påkrævet.

Hvad vil det betyde for din forskerkarriere, at du indgår i Sapere Aude-programmet?

Sapere Aude-programmet vil give mig stabilitet og ressourcer til yderligere at øge bredden af min forskning og give mig mulighed for at angribe et storstilet problem, ikke blot inden for et netværk af internationale samarbejdspartnere, men også med en dedikeret kernegruppe på min hjemmeinstitution. Det vil styrke mine evner som gruppeleder og give mig erfaring med ledelse og design af et langsigtet forskningsprogram. At modtage denne bevilling er en milepæl i min karriere og vil give mig mulighed for i fremtiden at lede større finansierede projekter og opbygge et center omkring de ideer og indsigter, der vil komme ud af dette projekt.