Eher Kunst als Wissenschaft

«Die Modellierung dieser turbulenten «Closure Models» ist in den vergangenen 60 Jahren weitgehend einem empirischen Prozess gefolgt und ist nach wie vor eher eine Kunst als eine Wissenschaft», sagt Petros Koumoutsakos, Professor am Labor für Computational Science and Engineering der ETH Zürich. Koumoutsakos und sein Doktorand Guido Novati sowie sein ehemaliger Masterstudent (nun Doktorand an der Universität Zürich) Hugues Lascombes de Larousilhe schlagen deshalb eine neue Strategie zur Automatisierung des Prozesses vor: Künstliche Intelligenz (KI) nutzen, um aus dem DNS die besten turbulenten «Closure Models» zu lernen und sie dann auf die LES anzuwenden. Ihre Ergebnisse veröffentlichten sie in Nature Machine Intelligence.

Konkret entwickelten die Forscher neue Reinforcement Learning (RL) Algorithmen und kombinierten sie mit physikalischen Erkenntnissen, um Turbulenzen zu modellieren. «Vor 25 Jahren leisteten wir Pionierarbeit bei der Kopplung von KI und turbulenten Strömungen», sagt Koumoutsakos. Aber damals waren die Computer noch nicht leistungsfähig genug, um viele dieser Ideen zu testen. «In jüngerer Zeit haben wir auch erkannt, dass die gängigen neuronale Netzwerke zur Lösung solcher Probleme nicht geeignet sind, da das Modell die Strömung, die es ergänzen soll, aktiv beeinflusst», sagt der ETH-​Professor. Die Forscher mussten deshalb auf einen anderen Lernansatz zurückgreifen, bei dem der Algorithmus lernt, auf bestimmte Muster im turbulenten Strömungsfeld zu reagieren.