Die Menschheit steht in naher Zukunft vor ernsten, durch den Klimawandel verursachten Problemen. Wie gut wir diesen Problemen begegnen können, hängt stark von einer soliden wissenschaftlichen Grundlage für die zu treffenden politischen und gesellschaftlichen Entscheidungen ab (IPCC, 2021a). Ein sehr großer Teil dieser wissenschaftlichen Grundlage beruht auf numerischen Modellen (IPCC, 2021b). Klimaprojektionen wie die des Coupled Model Intercomparison Project Phase 6 (CMIP6, Eyring et al., 2016) bilden die Eckpfeiler unseres Wissens über die Zukunft und unterstützen die anstehenden Entscheidungsprozesse weit über die physikalische Basis hinaus, die sie liefern (vgl. Migration, Krankheiten, Schädlinge, Ernten). Allerdings haben diese Klimaprojektionen auch einen großen Nachteil. Insbesondere bei gekoppelten Erdsystemmodellen (ESM) wie den CMIP-Modellen stellt jede freilaufende Modellsimulation nur eine einzige der buchstäblich unbegrenzt möglichen Trajektorien dar. Die Untersuchung spezifischer Fragen wie "wie würde sich das deutsche Ahrtal-Hochwasser in einem 2 Grad wärmeren Klima verändern" oder "wie würde sich die europäische Hitzewelle von 2021 (Abb. 1a) im Jahr 2028 entwickeln" ist mit einem solchen klassischen Setup nahezu unmöglich. Der Grund dafür ist, dass die Wahrscheinlichkeit, dass im Jahr 2028 in einem der Modelle eine große Hitzewelle auftritt, sehr gering ist, geschweige denn eine, die der Hitzewelle von 2021 sehr ähnlich ist. Selbst allgemeine Fragen wie die, wie eine um 3 Grad wärmere Welt mit 20 % mehr CO2 aussehen würde, stellen heute noch ein Problem dar.

CMILE komprimiert große Klimadatensätze durch den Einsatz von Variations-Autokodierern (VAE). In unserer VAE werden nichtlineare Klimazusammenhänge gespeichert. Es ist dann möglich, diese Zusammenhänge im latenten Raum der VAE zu erforschen und zu nutzen.

Durch die Analyse der latenten Raumdimension der VAE können Vektoren identifiziert werden, die Klimaereignisse oder -trends darstellen.  Selbst die zeitliche Entwicklung einer einzelnen latenten Raumdimension speichert Muster, die ganze klimaspezifische Merkmale wie Saisonalität, Klimatrends oder El Niño darstellen (Abb. 1).