Ein Forschungsteam unter der Leitung von E. K. de Jong hat drei neuartige machine-learning-Modelle zum Coaleszenzprozess von Wassertropfen in Wolken entwickelt und verglichen. Die Studie, veröffentlicht im Journal of Geophysical Research: Machine Learning and Computation, adressiert ein langjähriges Problem der Atmosphärenforschung: Die präzise Simulation von Regentropfenbildung ist rechenintensiv oder ungenau, was die Qualität von Wetter- und Klimamodellen beeinträchtigt. Um dies zu verbessern, trainierten die Autorinnen und Autoren neuronale Netze und ein auf polynomialer Identifikation nichtlinearer Dynamik basierendes SINDy-Rahmenwerk mittels Autoencodern. Als Trainingsdaten dienten großskalige Wirbelsimulationen, die die Superdropletten-Methode nutzten, um die Größenverteilung und Interaktion von Partikeln in Wolken genauer abzubilden als traditionelle Ansätze. Der Vergleich ergab, dass das schlichteste Modell, das SINDy-Rahmenwerk, die beste Leistung erbrachte. Es wies die geringste Unsicherheit auf und generalisierte besser auf nicht zum Training verwendete Daten als die beiden komplexeren, rein auf neuronalen Netzen basierenden Ansätze. Damit widerlegt die Studie die verbreitete Annahme, dass erhöhte Modellkomplexität zwangsläufig zu besseren Ergebnissen führt. Die trainierten Autoencoder konnten wesentliche Aspekte der Tropfengrößenverteilungen erfolgreich rekonstruieren, darunter den zeitlichen Anstieg der mittleren Tropfengröße sowie bimodale Verteilungen, die typischerweise eine Trennung zwischen Wolken- und Regentropfen widerspiegeln. Grenzen zeigten sich hingegen bei der Abbildung von Rauschen und extrem scharfen Peaks in den Verteilungsdaten. Die Forschenden betonen, dass weitere Schritte notwendig sind, bevor die Modelle breit in der Praxis anwendbar sind. Dazu gehören Online-Tests, die Integration zusätzlicher atmosphärischer Prozesse wie Kondensation, Verdunstung und Mixed-Phase-Prozesse sowie die Kombination mit realen Beobachtungsdaten, um realistische Randbedingungen zu gewährleisten. Gelingt dies, könnten die neuen maschinellen Lernverfahren die Genauigkeit und Effizienz zukünftiger Wettervorhersagen und Klimasimulationen signifikant steigern.