Wie die Erdschwerkraft Jahrzehnte dehnt und staucht

Hintergrund

Eine Nature-Studie nutzt ein hybrides Deep-Learning-Modell, um die gravitative Kopplung zwischen Erdkern und Erdmantel zu entschlüsseln, die Jahrzehnte um bis zu drei Millisekunden dehnt oder staucht. Forscher trainierten ein neuronales Netz mit über 50 Jahren VLBI- und GPS-Daten ab den 1970ern, um ein internes Signal mit 6–10-jähriger Periode zu isolieren. Die Amplitude beträgt nur wenige Zehntel Millisekunden, summiert sich aber über ein Jahrzehnt auf drei Millisekunden – eine tägliche Uhrungenauigkeit von drei Millionstelsekunden. Dies verknüpft dekadische Tageslängenschwankungen direkt mit dem Drehimpulsaustausch an der Kern-Mantel-Grenze.

Das Phänomen widerlegt die Annahme gleichmäßig fließender Zeit auf geophysikalischen Skalen. Äußere Einflüsse wie Winde und Gezeiten sind gut modelliert, doch das verbleibende dekadische Signal ließ sich erst durch selbstüberwachtes Lernen trennen. Mit synthetischen Datensätzen aus atmosphärischen Reanalysen und Ozeanmodellen lernte die KI, externe Muster zu erkennen, und extrahierte die interne Gravitationssignatur aus realen Tageslängenreihen – ohne explizite physikalische Parametrisierung der Kernströmungen.

Tiefenanalyse

Die Architektur kombiniert eindimensionale Faltungsschichten mit einem LSTM-Netzwerk. Der Faltungsstrang erfasst abrupte Störungen wie Erdbeben oder El Niño, der LSTM-Strang modelliert langsame Trends. Ein Aufmerksamkeitsmechanismus gewichtet Kerndynamikprozesse dynamisch. Trainiert wurde auf synthetischen Daten eines Ozean-Atmosphäre-Modells mit historischen Randbedingungen, um externe Treiber zu entflechten.

Die Validierung belegte die physikalische Robustheit: Das Modell erklärte über 95 % der Tageslängensprünge durch dokumentierte Vulkanausbrüche und Erdbeben. Ein GAN quantifizierte die Unsicherheit; das Konfidenzintervall der dekadischen Oszillation schloss null aus. Die resultierende 6–10-jährige Periodizität deckt sich mit geomagnetischen Rucken und stützt den gravitativen Ursprung in der Kern-Mantel-Kopplung.

Branchenwirkung

Für die Zeitmessung ergeben sich direkte Folgen. Die UTC wird mit Schaltsekunden an die Erdrotation angepasst, doch die dekadische Nichtlinearität erschwert Vorhersagen. Die KI-Prognose könnte die Vorlaufzeit für Schaltsekunden von sechs Monaten auf Jahre verlängern und Kosten für GNSS, Finanznetze und Telekommunikation senken. Ein kumulativer Fehler von drei Millisekunden pro Jahrzehnt entspricht einem Meter Positionsdrift bei GNSS.

Satellitenbahnen profitieren ebenfalls. Megakonstellationen wie Starlink und OneWeb benötigen präzise Erdorientierungsparameter. Die Einbeziehung des internen Signals reduziert Vorhersagefehler um 10–15 %. Das Open-Source-Modell ist in Erdsystemplattformen integriert und erlaubt Klimaforschern die Neukalibrierung von Paläoklima-Proxys. Traditionelle Codes wie Glatzmaier-Roberts stehen nun unter Konkurrenzdruck, während Google DeepMind und Microsoft Research vortrainierte Modelle für die Erdinneren-Bildgebung veröffentlichen – ein Wettlauf um KI in der Tiefengeophysik.

Ausblick

Drei Entwicklungen sind zentral. Erstens könnte die Erweiterung auf Jahrhundertskalen historische Anomalien wie Diskrepanzen in antiken Finsternisaufzeichnungen klären, was die Fusion mit Baumringen, Korallen und Eisbohrkernen erfordert. Zweitens arbeitet das Team mit dem ECMWF an einem Echtzeit-Vorhersagedienst für die Tageslänge, der Submillisekunden-Genauigkeit für Missionen wie Mars Sample Return liefern soll.

Drittens bleibt die Interpretierbarkeit eine Hürde. Das Modell gibt die Drehmomentverteilung an der Kern-Mantel-Grenze nicht direkt aus. Der nächste Schritt ist die Einbettung magnetohydrodynamischer Gleichungen in ein physikinformiertes neuronales Netz. Mit der Konvergenz von Geodaten und KI rückt die Vorhersage der Erdrotation Jahre im Voraus in greifbare Nähe – Zeit wird zur dynamischen Variable.