Künstliche Intelligenz entdeckt neue Gleichungen zur Ozeanbiogeochemie Forscher um Chengwang Wang haben nachgewiesen, dass maschinelle Lernverfahren komplexe mathematische Modelle für die Ozeanbiogeochemie direkt aus Daten ableiten können. In einer im Fachjournal Geophysical Research Letters veröffentlichten Studie demonstrieren sie die erfolgreiche Anwendung von symbolischer Regression auf den Kreislauf von kolloidalem Eisen, einem Schlüsselfaktor für das marine Ökosystem. Bisher stützen Klima- und Ozeanmodelle ihre Berechnungen auf vereinfachte Gleichungen, die auf begrenzten Beobachtungen und Annahmen basieren. Der neue Ansatz übertrifft diese Herangehensweise, indem er Muster aus relativ sparsamen Datensätzen extrahiert, ohne vorab festgelegte physikalische Formeln zu erzwingen. Die Methodik des maschinellen Lernens begann mit grundlegenden mathematischen Operatoren und suchte autonom nach optimalen Gleichungskombinationen. Das Ergebnis ist ein Satz von sechs Formeln, die das Verhalten von kolloidalen Eisenpartikeln im Meer beschreiben. Diese neu abgeleiteten Modelle sind funktionell einfacher als die bisherigen Standardgleichungen, reproduzieren jedoch auf großer Skala identische Muster. Darüber hinaus liefern sie überraschende neue Einblicke: So erweist sich der Salinitätsparameter als weitgehend irrelevant für die Modellierung, da er in den Ozeanen nur geringen Schwankungen unterliegt. Gleichzeitig bestätigt die Studie, dass Messungen über die gesamte Wassersäule hinweg präziseren Ergebnisse liefern als punktuelle Tiefenproben. Die Forschungsergebnisse bestätigen die prinzipielle Eignung von maschinellem Lernen zur Gleichungsentdeckung in hochkomplexen naturwissenschaftlichen Systemen. Allerdings bleibt die Validierung für reale Umgebungen noch ausbaufähig, weshalb die Autoren auf die Notwendigkeit einer strategischen Anpassung der Datenerfassung hinweisen. Die Analyse zeigt, dass auch begrenzte Datenmengen robuste Modelle hervorbringen, sofern die kolloidalen Eisenkonzentrationen an denselben Orten wie bereits gemessenes gelöstes Eisen ermittelt werden. Dies unterstreicht die Dringlichkeit, künftige Ozeanexpeditionen systematisch auszuweiten und insbesondere unterrepräsentierte Meeresbecken zu erfassen. Für die wissenschaftliche Gemeinschaft stellt dies einen klaren Aufruf zur Datenkooperation dar. Forscher, die bereits unpublizierte Eisendaten von GEOTRACES-Kreuzfahrten gesammelt haben, werden aufgefordert, diese öffentlich zugänglich zu machen. Eine solche Vernetzung würde die Kalibrierung künftiger KI-gestützter Klimamodelle deutlich beschleunigen. Indem die künstliche Intelligenz etablierte Annahmen hinterfragt und durch datengetriebene Optimierung ersetzt, eröffnet sie nicht nur neue Perspektiven auf den marinen Eisenkreislauf, sondern legt auch einen funktionalen Rahmen für die modellbasierte Analyse weiterer globaler Umweltprozesse. Die Studie markiert damit einen Meilenstein in der Schnittstelle von Ozeanographie, Klimaforschung und algorithmischer Entdeckung.