Die Wissenschaftler betonen, dass das Modell unserer Erde, mit dem sie ihren Weg des 'Deep Reinforcement Learning' getestet haben, bewusst vereinfacht ist. Daher können die, von der künstlichen Intelligenz im Modell identifizierten Wege für eine nachhaltige Entwicklung, die beispielsweise einen spezifischen Mix aus CO2-Besteuerung und Subventionen für erneuerbare Energien beinhalten, nicht direkt auf die reale Welt übertragen werden. Die Ergebnisse zeigen jedoch, dass die Anwendung des maschinellen Lernens durch die Wissenschaftler tatsächlich innovative Wege findet, verglichen mit dem, was die klassischen Analysen ergeben haben. Die Studie ist daher von erheblichem methodischem Wert. Die Autoren fordern andere Wissenschaftler auf, ihr Werkzeug auf weitere Modelle anzuwenden, um mehr über das Potenzial des maschinellen Lernens für eine nachhaltige Entwicklung zu erfahren.
Artikel: Felix M. Strnad, Wolfram Barfuss, Jonathan Donges, Jobst Heitzig (2019): Deep reinforcement learning in World-Earth system models to discover sustainable management strategies. Chaos (Vol.29, Issue 12) ]DOI: 10.1063/1.5124673]
Weblink zum Artikel: https://doi.org/10.1063/1.5124673
