Ausgewählte intelligente Methoden

Bezugnehmend auf den Titel des KPA's sollen ausgewählte intelligente Methoden vorgestellt werden.

Intelligente Methoden werden sowohl in der experimentellen Erfassung von Erdsystemdaten als auch in der Auswertung und Analyse dieser Daten sowie für Simulationen eingesetzt.

Schmelzen und Fluide spielen eine wichtige Rolle in den meisten geologischen Prozessen in der Erdkruste und im Erdmantel. Wir untersuchen, wie die atomare Struktur und Dynamik von Schmelzen und Fluiden die entsprechenden physikalischen Eigenschaften (z.B. Dichte, Viskosität, elektrische Leitfähigkeit oder Schallgeschwindigkeit) beeinflussen. 

Methodisch nutzen wir sowohl klassische als auch ab initio Molekulardynamik (MD) Simulationen. Da letztere sehr rechenaufwändig sind, werden diese Simulationen auf Supercomputern durchgeführt.

Realistische Modelle werden nicht nur zur Interpretation experimenteller Daten benötigt, sondern auch zur Vorhersage von Schmelz- und Fluideigenschaften bei extremen Druck- und Temperaturbedingungen, die experimentell nicht zugänglich sind. Die Konstruktion solcher Modelle stellt eine große Herausforderung in der (Geo-) Materialforschung dar.....Weiter lesen

Yaping Shao, Andreas Hense, Konstantin Klein, Patrick Ludwig, Andreas Maier, Jürgen Richter, Isabell Schmidt, Christian Wegener, and Gerd-Christian Weniger, and Andreas Zimmermann

Studien zur DNA-Struktur des heutigen Menschen deuten darauf hin, dass die genetischen Ursprünge des anatomisch modernen Menschen (AMH) in Afrika um 300 ka BP liegen, gefolgt von seiner Ausbreitung über den eurasischen Kontinent zwischen etwa 60 und 40 ka BP und über Amerika nach 14 ka BP. Wir entwickeln ein Human System Model (HSM), um die Geschichte der menschlichen Ausbreitung zu rekonstruieren. Das menschliche System ist äußerst komplex mit einem großen Freiheitsgrad und einem breiten Spektrum nichtlinearer Interaktionen, die stochastischen Kräften unterliegen. Mit Hilfe von Techniken des maschinellen Lernens wird das menschliche Existenzpotenzial (HEP, Klein et al. 2021, 2023; Shao et al. 2021) geschätzt, eine Schlüsselvariable des menschlichen Systems, die die verschiedenen Prozesse auf biologischer, kultureller und ökologischer Ebene umfasst. Dazu kombinieren wir archäologische Daten und Klimadaten aus Paläoklimamodellsimulationen (Shao et al. 2021, Ludwig et al. 2018) mit einem logistischen Regressionsmodell (dem HEP-Modell). Das HEP-Modell wird N = 1000 Mal trainiert, jeweils mit einer anderen zufällig ausgewählten Teilmenge, die 80 % der Anwesenheits-/Abwesenheitsdatensätze der archäologischen Stätten enthält. Das trainierte Modell wird anhand der verbleibenden 20 % der Anwesenheits-/Abwesenheitsdatensätze bewertet. 

Als Beispiel untersuchen wir, wie das Klima die Ausbreitung der Menschen im Aurignacien in Europa beeinflusst hat. Der Aurignacien-Technokomplex entwickelte sich in der Mitte der letzten Eiszeit (LGP, 115-11,7 ka BP), in der sich die klimatischen Bedingungen stark veränderten. Abbildung 1 zeigt die HEP-Muster für das Aurignacien in der interstadialen (Abb. 1a) und stadialen (Abb. 1b) Zeit. Unter warmen Klimabedingungen finden sich die meisten archäologischen Stätten in den Regionen mit HEP-Werten über 0,5. In mehreren Gebieten, für die das Modell hohe HEP-Werte vorausgesagt hatte, wurden keine archäologischen Stätten gefunden. Bei etwa 50^oN ist ein Band archäologischer Stätten zu erkennen, das in etwa die nördliche Grenze der menschlichen Existenz definiert. Für stadiale Zeiten (Abb. 1b) sind die HEP-Werte deutlich geringer und liegen nur in isolierten Hot-Spot-Gebieten in geschützten Bereichen großer Topographien über 0,5. Obwohl die Klimabedingungen für den Menschen in Mittel- und Südwesteuropa schwieriger werden, bleibt die menschliche Existenz möglich. Die HEP-Differenz zwischen der interstadialen und der stadialen Zeit (interstadial-stadial) ist in Abb. 1c dargestellt. Die Technik des maschinellen Lernens zeigt, dass die Ausbreitung des Aurignacien höchstwahrscheinlich während der interstadialen Zeit stattfand und sich während der stadialen Zeit abschwächte oder aufhörte, aber selbst während der stadialen Zeit sind die Bedingungen in Europa ausreichend, damit der Mensch überleben und sich an die kalten Klimabedingungen anpassen kann. Unser Beispiel zeigt, dass die Kopplung von maschinellem Lernen und dynamischer Modellierung ein leistungsfähiges Werkzeug für die Erforschung von Mensch-Systemen darstellt, das bisher nicht möglich war.

References

Klein, K., Wegener, C., Schmidt, I., Rostami, M., Ludwig, P., Ulbrich, S., Richter, J., Weniger, G.-C., & Shao, Y. (2020) Human existence potential in Europe during the Last Glacial Maximum. Quat. Int., 581–582, 7-27. https://doi.org/10.1016/j.quaint.2020.07.046

Klein, K., G.-C. Weniger, P. Ludwig, C. Stepanek, X. Zhang, C. Wegener, Y. Shao (2023) Assessing Climatic Impact on Transition from Neanderthal to Anatomically Modern Human Population on Iberian Peninsula: a Macroscopic Perspective. Sci. Bull., in print.

Ludwig, P., Shao, Y., Kehl, M., & Weniger, G.-C. (2018). . Glob. Planet. Change, 170, 34-47. https://doi.org/10.1016/j.gloplacha.2018.08.006

Shao, Y., Limberg, H., Klein, K., Wegener, C., Schmidt, I., Weniger, G.-C., Hense, A. & Rostami, M. (2021). Human-Existence Probability of the Aurignacian techno-complex under extreme climate conditions. Quart. Sci. Rev., 203, 1067995. https://doi.org/10.1016/j.quascirev.2021.106995

Die Umstellung auf erneuerbare Energien und der Klimawandel müssen die beiden drängendsten Themen des 21. Jahrhunderts sein. Als verantwortungsbewusste Gesellschaft erwarten wir alle nachhaltige Lösungen in beiden Bereichen. Es gibt noch ein weiteres Wort, das um uns herumschwirrt: Künstliche Intelligenz (KI), und viele Spekulationen sind im Umlauf. Die Mitarbeit im Team von Prof. Crewell hat Dwaipayan Chatterjee die Möglichkeit gegeben, sich tief in alle drei genannten Bereiche zu vertiefen und erhebliches Potenzial für interdisziplinäre Forschung in der Zukunft aufzudecken.

Aus energetischer Sicht spielen Wolkensysteme eine wichtige Rolle bei der Modulation des solaren Strahlungsbudgets und der Verfügbarkeit von Sonnenstrahlung am Boden. Sie sind daher von großem Interesse für Anwendungen im Bereich der erneuerbaren Energien. Unter dem Gesichtspunkt des Klimawandels beeinflussen sie die Verteilung von Wärme und Feuchtigkeit auf dem Planeten. Über ihre physikalischen Eigenschaften und fehlenden Verbindungen in verschiedenen räumlichen und zeitlichen Maßstäben bestehen erhebliche Unsicherheiten.

Satelliten erfassen ein Wolkenfeld, und sehr oft bilden ähnlich aussehende Einzelwolken Nachbarwolken, wodurch sich räumliche Muster ergeben. Aus der Sicht der Satelliten und der KI können wir jedoch viele Beobachtungen von Wolkensystemen haben, die noch gekennzeichnet/segmentiert werden müssen, um ein herkömmliches überwachtes neuronales Netz zu trainieren. Daher konzentriert sich meine Forschung aus Sicht der KI auf das Lernen ohne Kennzeichnungen und darauf, das neuronale Netz von Grund auf lernen zu lassen, die zugrundeliegende Darstellung der Satellitenbeobachtungen zu verstehen und sich auf die Extraktion aussagekräftiger Merkmale zu konzentrieren, die für ein datengesteuertes Prozessverständnis des regionalen Klimas und dessen Nutzung für die Solarenergieerzeugung weiter verwendet werden können.