Künstliche Intelligenz zur Modellierung von Diffusions-/Advektionsströmungen in einem porösen Medium [KIMoDA]

Im Kontext der Sicherheitsuntersuchungen für tiefengeologische Endlager werden hydrogeologische Prozesse, insbesondere die Migration gelöster Stoffe bzw. Radionuklide in porösen und geklüfteten Medien, numerisch modelliert. KI-gestützte und hybride Modellierungsansätze können dabei perspektivisch Recheneffizienz, Kalibrierung und Modellvergleiche unterstützen. Zugleich sind sie im Endlagerkontext besonders sensibel, weil ihre Ergebnisse in sicherheitsrelevante Bewertungen eingebettet werden könnten, die hohe Anforderungen an Transparenz, Nachvollziehbarkeit, Reproduzierbarkeit und Vertrauen erfüllen müssen.

Das Projekt KIMoDa untersucht daher Chancen und Grenzen KI-basierter Verfahren im Vergleich zu konventionellen numerischen Modellen. Technisch werden KI- bzw. Hybridansätze für ausgewählte Transportprozesse in relevanten Wirtsgesteinen betrachtet und anhand standardisierter Referenzfälle mit numerischen Referenzsimulationen, u. a. PFLOTRAN, verglichen. Bewertet werden dabei Modellgüte, Robustheit, Skalierbarkeit sowie Möglichkeiten der Verifikation und Interpretation.

Der Schwerpunkt des Beitrags des Öko-Instituts liegt auf den sozio-technischen Risiken einer möglichen Nutzung KI-gestützter Modelle in Langzeitsicherheitsanalysen und im Kontext des Standortauswahlverfahrens. Untersucht wird, wie Eigenschaften von KI-Systemen – etwa Datenabhängigkeit, begrenzte Erklärbarkeit, Bias, Nicht-Determinismus, Überanpassung oder eingeschränkte Übertragbarkeit – mit institutionellen Praktiken, Validierungsroutinen, Daten-Governance und Kommunikationsanforderungen zusammenwirken. Daraus können Risiken für Fehlinterpretationen, unangemessene Vertrauenszuschreibungen, erschwerte Nachprüfbarkeit oder unklare Verantwortlichkeiten entstehen. Diese Fragen werden im Lichte zentraler Prinzipien des Standortauswahlgesetzes (StandAG) wie Nachvollziehbarkeit, Reproduzierbarkeit, Beteiligung, Rechenschaftspflicht und Vorsorge unter tiefgreifender Unsicherheit bewertet.

Das Vorgehen umfasst eine systematische Auswertung des Forschungsstands, die Entwicklung einer sozio-technischen Risikoanalyse, die Definition technischer Referenzfälle und Bewertungsmetriken sowie den Vergleich KI-basierter, hybrider und konventioneller Modellierungsansätze. Ergänzend werden Ansätze erklärbarer KI, Sensitivitätsanalysen und geeignete Visualisierungen herangezogen, um Auditierbarkeit und Kommunizierbarkeit der Ergebnisse zu verbessern. Abschließend werden die Erkenntnisse technisch und governance-orientiert zusammengeführt, um Voraussetzungen und Grenzen einer vertrauenswürdigen, nachvollziehbaren und öffentlich glaubwürdigen Nutzung KI-gestützter Modellierungsansätze in sicherheitsrelevanten Bewertungsprozessen herauszuarbeiten.