Forschungsgruppenleiter am DKRZ

Gradient Descent ist eine Machine Learning Methode zur Bestimmung des Optimums mit sehr vielen Iterationen, wobei der gegangene Weg nicht nur zufällig startet, sondern am Ende auch ziemlich egal ist. 

In diesem Sinne hat Christopher Kadow seinen bisherigen Werdegang rund um sein Meteorologie Studium an der Freien Universität Berlin im jDMG Kolloquium vorgestellt. Nicht alles hat geklappt, er hat zwei/drei mal die Richtung geändert, ist nach und nach über sein Interesse an Computern gestolpert, hat Freude an der Wissenschaft gefunden und hat so im Laufe der Zeit sein potentielles Forschungsfeld aus Klima und Informatik entdeckt. Mit seiner Forschungsgruppe Climate Informatics and Technologies am Deutschen Klimarechenzentrum untersucht er neue aber auch alte Fragen unserer Zunft. Wie setzen wir den aktuellen Klimawandel in Relation der Vergangenheit, wenn wir in der Vergangenheit kaum Aufzeichnungen mittels Messinstrumenten hatten? Er zeigt am Beispiel von wichtigen Temperatur-Klimadatensätzen, die zwar bis 1850 zurückreichen, aber mehr Lücken als Messpunkte aufweisen, wie neuronale Netze mit numerischen Erdsystemmodelldaten trainiert werden um genau jene „verlorenen“ Beobachtungsdaten zu rekonstruieren. Der aktuelle Sachstandsbericht des IPCC hat den aufgefüllten Datensatz für die Analyse des vergangenen Klimas direkt zusammen mit anderen Methoden auch zum Vergleich zu jetzigen Zeiten des Wandels verwendet. Und wie genau funktioniert die Machine Learning Methode? Viele Buzzword Techniken rund um Machine Learning, aber eben auch Gradient Descent und viele, sehr viele Iterationen.

Kadow, C., Hall, D.M. & Ulbrich, U. Artificial intelligence reconstructs missing climate information. Nat. Geosci. 13, 408–413 (2020). https://doi.org/10.1038/s41561-020-0582-5

Text und Bilder: Christopher Kadow (Twitter @ckadow)