FedRAIN-Lite: Federated RL verbessert numerische Wettermodelle

In der Klimaforschung sind die Parameter, die die kleinsten Wetterphänomene in Modellen abbilden, bislang fest programmiert und offline angepasst. Das neue Projekt FedRAIN-Lite ändert das, indem es ein federiertes Reinforcement‑Learning‑Framework einführt, das die räumliche Aufteilung von Klimamodellen nutzt. Agenten werden den Breitenkreisen zugeordnet, lernen lokal und werden regelmäßig global zusammengeführt.

Die Autoren haben die Methode in einer Reihe von vereinfachten Energie‑Ausgleichsmodellen getestet – von einem einzelnen Agenten (ebm‑v1) bis hin zu einem mehragentigen Ensemble (ebm‑v2) und einer GCM‑ähnlichen Konfiguration (ebm‑v3). Dabei wurden drei RL‑Algorithmen unter verschiedenen federierten Lern‑Setups verglichen.

Ergebnisse zeigen, dass der Deep Deterministic Policy Gradient (DDPG) konsequent die besten Leistungen erbringt. Er übertrifft sowohl die statischen Baselines als auch die ein‑Agenten‑Modelle, erreicht schnellere Konvergenz und erzielt geringere, gewichtsbasierte Fehlerwerte in tropischen und mittleren Breiten. DDPG kann zudem Hyperparameter übergreifend übertragen und ist rechnerisch kostengünstig – ein entscheidender Vorteil für geografisch adaptive Lernprozesse.

Die Arbeit liefert einen skalierbaren Ansatz für hochkomplexe globale Zirkulationsmodelle und demonstriert, wie physikalisch abgestimmte, online lernende Klimamodelle mit dem sich wandelnden Klima Schritt halten können. Der zugehörige Code steht auf GitHub zur Verfügung.