Supercomputing in Deutschland

Schlagwort: AI

  • Nachbericht zum 2. Forum für Supercomputing & Zukunftstechnologien

    Services & Anwendungen für Industrie und öffentliche Einrichtungen

    Am 21. Oktober 2025 fand im Höchstleistungsrechenzentrum Stuttgart (HLRS) das zweite Forum für Supercomputing & Zukunftstechnologien statt. Unter dem Motto „Services & Anwendungen für Industrie und öffentliche Einrichtungen“ kamen Expertinnen und Experten aus Wissenschaft, Wirtschaft und Verwaltung zusammen, um über die neuesten Entwicklungen und praxisnahen Einsatzmöglichkeiten von High-Performance Computing (HPC) zu diskutieren.

    Nach einer herzlichen Begrüßung durch Dr. Andreas Wierse (SIDE / SICOS BW GmbH) eröffnete das Forum mit spannenden Einblicken in die digitale Transformation von kleinen und mittleren Unternehmen. Erwin Schnell (AeroFEM GmbH) machte den Auftakt mit seinem Vortrag „Der Weg ist das Ziel“ und zeigte eindrucksvoll, wie KMUs mithilfe von Simulation und HPC Schritt für Schritt den Wandel gestalten können. Dr. Andreas Arnegger (OSORA Medical GmbH) führte das Publikum anschließend in die Welt der medizinischen Anwendung – mit HPC-gestützter Therapieplanung für die Versorgung von Knochenbrüchen.

    Dr. Andreas Wierse steht vorne im hellen Hörsaal des HLRS und spricht zu den Teilnehmenden, die in Reihen sitzen und auf Laptops arbeiten. Auf der Leinwand ist das SIDE-Logo zu sehen.
    Dr. Andreas Wierse eröffnet das SIDE-Forum: Foto – Max Kovalenko
    Ein Referent präsentiert vor einem aufmerksam zuhörenden Publikum im modernen, lichtdurchfluteten Hörsaal des HLRS. Auf der Leinwand ist eine Präsentationsfolie mit Diagrammen zu sehen.
    Erwin Schnell (AeroFEM GmbH) präsentiert CFD-Ergebnisse: Foto – Max Kovalenko

    Auch Dr. Sebastian Mayer und Dr. Andrey Lutich (PropertyExpert GmbH) zeigten, wie KI-basierte Bildanalysen zur automatisierten Rechnungsprüfung beitragen können – ein Beispiel dafür, wie Data Science und Supercomputing immer enger zusammenrücken.

    Vier Männer stehen um einen interaktiven Bildschirm herum und schauen auf die beleuchtete Oberfläche, auf der digitale Inhalte angezeigt werden. Die beiden Männer im Vordergrund stehen mit dem Rücken zum Betrachter, während die beiden Männer in der Mitte, die eine Brille tragen, konzentriert auf den Bildschirm schauen.
    Dr. Andreas Wierse und Besucher beugen sich über das alte SX-4-Supercomputermodul im Foyer des HLRS: Foto – Max Kovalenko
    Eine Vortragende steht am Rednerpult und spricht zu den Teilnehmenden. Im Vordergrund sind unscharf einige Zuhörende zu sehen; der helle Raum und der Fokus auf die Sprecherin schaffen eine konzentrierte Atmosphäre.
    Dr. Xin Liu (SIDE / Jülich Supercomputing Centre) präsentiert Simulationen zur Analyse von Dammbrüchen: Foto – Max Kovalenko

    Nach einer kurzen Kaffeepause ging es mit der zweiten Session weiter. Paul von Berg (Urban Monkeys GmbH / DataMonkey) berichtete über seine Erfahrungen beim Fine-Tuning eines Geospatial LLM auf HPC-Systemen – ein Thema, das viele Teilnehmende faszinierte. Daniel Gröger (alitiq GmbH) stellte ein Projekt zur kurzzeitigen PV-Ertragsvorhersage mittels maschinellen Lernens vor, unterstützt durch FFplus. Anschließend präsentierte Dr. Xin Liu (SIDE / Jülich Supercomputing Centre) eindrucksvolle Simulationen zur Dammbruchanalyse und Operationen in der Deutschen Bucht – ein Beleg dafür, wie HPC im öffentlichen Sektor konkrete Lösungen liefern kann.

    Vor der Mittagspause folgte eine kompakte Vorstellungsrunde mit innovativen Initiativen aus dem HPC-Ökosystem. Vorgestellt wurden unter anderem SIDE, FFplus, JAIF, HammerHAI, EDIH Südwest und EDIH-AICS. Die Vorträge verdeutlichten, wie eng Forschung, Förderung und Industrie inzwischen zusammenarbeiten, um digitale Souveränität und Innovationskraft in Deutschland und Europa zu stärken.

    Nach dem Mittagessen standen praxisorientierte Sessions auf dem Programm. Beim Speeddating kamen Teilnehmende mit HPC-, KI- und Förderexpert:innen direkt ins Gespräch, während parallel eine Rechnerraumführung Einblicke in die Infrastruktur des HLRS bot. In den nachfolgenden Sessions konnten die Gäste zwischen vertiefenden Gesprächen mit Expert:innen, einem praxisnahen Workshop „How to Use a Supercomputer: The Basics“ von Dr. Maksym Deliyergiyev und einem beeindruckenden Visualisierungsworkshop der HLRS-Visualisierungsabteilung wählen.

    Ein junger Mann mit Bart und dunklem Pullover mit Viertelreißverschluss sitzt an einem weißen Tisch, hält einen Bleistift in der Hand und schaut zu jemandem außerhalb des Bildausschnitts zu seiner Rechten. Im unscharfen Hintergrund sitzen weitere Personen an ähnlichen Tischen, unterhalten sich oder arbeiten.
    Teilnehmer*innen des Speeddatings: Foto – Max Kovalenko
    Eine Gruppe von neun Personen, hauptsächlich Männer, hat sich im HLRS-Rechenzentrum versammelt, im Hintergrund ist Hunter zu sehen. Sie sind während der Führung mit Hunter in eine Diskussion vertieft, wobei ein älterer Mann in einer dunklen Jacke gestikulierend zu der Gruppe spricht.
    Eine Führung durch den HLRS-Supercomputer Hunter: Foto – Max Kovalenko
    Zehn Männer posieren für ein Gruppenfoto in einem Raum mit großen blau-weißen Computerserver-Racks im Hintergrund, die mit „HPE Cray” und „HLRS GCS HUNTER” beschriftet sind. Sie blicken alle in die Kamera und lächeln, gekleidet in einer Mischung aus Freizeit- und Business-Casual-Kleidung.
    Gruppenfoto vor dem Supercomputer Hunter während einer Tour: Foto – Max Kovalenko
    Eine Gruppe von fünf Personen, die alle 3D-Brillen tragen, steht in einem immersiven Virtual-Reality-Raum, dessen Wände eine farbenfrohe, dynamische Landschaft zeigen. Ein Mann auf der rechten Seite, der einen dunklen Kapuzenpulli trägt, gestikuliert mit den Händen, als würde er den anderen, die die projizierte Umgebung betrachten, etwas erklären.
    Eine Führung durch die HLRS CAVE: Foto – Max Kovalenko

    Zum Abschluss gab Dr. Andreas Wierse einen Ausblick auf zukünftige Aktivitäten und lud zur weiteren Vernetzung im Rahmen von SIDE und EuroCC ein. Das Forum bot eine inspirierende Mischung aus technischen Impulsen, persönlichem Austausch und konkreten Anwendungsbeispielen – ein Tag, der zeigte, wie leistungsfähig und zugänglich Supercomputing heute für Wirtschaft und öffentliche Hand geworden ist.

    Das Vormittagsprogramm des 2. SIDE-Forums kann nun unten angesehen werden.

    Video ansehen

  • HPC für KI-basierte Handelsroboter: Eine Erfolgsgeschichte mit Smart-Markets GmbH

    Die Herausforderung

    Auf den sich ständig verändernden Finanzmärkten sind Anpassungsfähigkeit und Innovation entscheidend für nachhaltigen Erfolg. Die Smart-Markets GmbH ist ein KMU, das automatisierte Handelsroboter für den mittel- bis langfristigen Aktienhandel und den Devisenhandel (Forex) entwickelt und anbietet. Da sich die Marktdynamik im Laufe der Zeit verändert, nimmt die Leistungsfähigkeit eines Handelsalgorithmus ab, wenn er sich nicht an diese Marktveränderungen anpassen kann. Daher ist die dauerhafte Effektivität der Handelsroboter eine der größten Herausforderungen für Smart-Markets, die derzeit kontinuierliche Backtests und Neukalibrierungen der Algorithmen erfordert.

    Die Lösung

    Um diese Herausforderung anzugehen, hat Smart-Markets in Zusammenarbeit mit SIDE eine Proof-of-Concept-Studie (PoC) durchgeführt, um den Einsatz fortschrittlicher Machine-Learning-Techniken, insbesondere des Reinforcement Learnings (zu deutsch: Verstärkendes Lernen), zur Verbesserung der Anpassungsfähigkeit ihrer Handelsroboter zu untersuchen. Wie in Abbildung 1 dargestellt, handelte der Roboter auf dem EUR/USD-Devisenmarkt. Das Training und der anschließende Testhandel des Agenten basierten auf mehr als zehn Jahren hochfrequenter Tick-Daten, welche sämtliche Preisänderungen im Marktgeschehen erfassen.

    Abbildung 2 zeigt die Ergebnisse für ein vereinfachtes Szenario, in dem keine Handelsgebühren für die Transaktionen anfielen. Nach einer anfänglichen Phase zufälliger Aktionen in den ersten Handelsjahren, in denen sich das Nettovermögen von 100.000 USD nicht wesentlich veränderte, begann der Agent, eigene Handelsentscheidungen zu treffen. Offensichtlich reichten die Vorhersagen des Agenten aus, um über mehrere Handelsjahre hinweg einen kontinuierlichen Gewinn zu erzielen, selbst in Zeiten insgesamt negativer Trends.

    Diagram showing an interaction loop between two labeled boxes. The top box says
    Abbildung 1: KI-Agent, trainiert mit Reinforcement Learning für den Handel mit Euro und USD.
    Diagram showing an interaction loop between two labeled boxes. The top box says
    Abbildung 2: Nettowert des Handelsroboters im Zeitverlauf (links) und Verlauf der USD/EUR-Trainingsdaten (rechts).

    Vorteile 

    • SIDE half Smart-Markets dabei, HPC-Ressourcen für die Verarbeitung und Analyse umfangreicher, hochfrequenter Finanzdaten zu nutzen.
    • Der PoC ermöglichte das Testen von KI-basierten Handelsrobotern, die an sich an ändernde Marktbedingungen innerhalb der Handelsstrategien von Smart-Markets anpassen können.
    • Dieser PoC dient als Modell für die Erforschung einer breiteren Anwendung von Advanced Computing im Finanzsektor und darüber hinaus.

    Die Ergebnisse

    Dank der KI-Expertise von SIDE konnte Smart-Markets mit diesem PoC eine neue Technologie erproben, ohne zuvor KI-Erfahrung sammeln zu müssen. Die Ergebnisse zeigen, dass ein KI-basierter Handelsroboter das Potenzial hat, über mehrere Jahre hinweg profitabel zu handeln, indem er sich dynamisch und in Echtzeit an Marktveränderungen anpasst. Im Rahmen dieses Projekts war es jedoch nicht möglich, einen Roboter zu trainieren, der in realistischen Szenarien, in denen für jede Aktion eine Gebühr anfällt, Gewinne erzielt. Um den Handelsroboter in Zukunft an realistische Szenarien anzupassen, könnte der Umfang dieses PoC erheblich erweitert werden, indem beispielsweise Daten mehrerer Handelsinstrumente in das Training des Modells einbezogen werden.

  • Neueste Fortschritte im Bereich der quantitativen MRT durch die Verwendung von HPC

    Die Herausforderung

    Die quantitative Magnetresonanztomografie (qMRT) misst zugrunde liegende MRT-Parameter, verbessert die Empfindlichkeit gegenüber physiologischen Veränderungen und ermöglicht eine zuverlässige Vergleichbarkeit zwischen Tests und Wiederholungstests, sodass beobachtete Veränderungen echte physiologische Unterschiede widerspiegeln und nicht die Kulanz des Scanners. Die Übertragung der qMRT auf UHF, die eine höhere Bildauflösung bei kürzeren Aufnahmezeiten ermöglicht, führt jedoch zu erhöhten Feldinhomogenitäten und einer spezifischen Absorptionsrate. Neuartige Methoden, die am INM-4 entwickelt wurden, begegnen diesen Herausforderungen, führen jedoch zu einer deutlich höheren Komplexität der Rekonstruktion und zu nicht rechtfertigbaren langen Rekonstruktionszeiten.

    Die Lösung

    Um diese zu langen Rekonstruktionszeiten zu beheben, optimierte INM-4 in Zusammenarbeit mit dem Simulation and Data Lab Neuroscience seinen Rekonstruktionscode für HPC am JSC. Durch die Implementierung einer effizienten Vorverarbeitung wurde das Rekonstruktionsproblem in einen schichtweisen Prozess umgewandelt, der parallelisiert werden konnte. In Kombination mit einer automatisierten Scheibenverarbeitung über Bash-Skripte konnte die Rechenzeit mit HPC von 320 Stunden auf 8 Stunden pro Proband reduziert werden. Dieser optimierte Arbeitsablauf überwand frühere Einschränkungen und ermöglichte die Anwendung einer neuartigen qMRt-Methode, die schnellere Scans, eine verbesserte Bildqualität und präzise parametrische Schätzungen ermöglicht. Nachfolgende Messungen an einer großen Kohorte bestätigten, dass HPC-gestützte qMRT bei UHF ein entscheidender Schritt in Richtung klinischer Durchführbarkeit ist.

    Diagramm zur Verbesserung von MRT-Bildern mit einem Supercomputer.
    Abbildung 1: Bei beschleunigten Aufnahmen beeinträchtigen Unterabtastungsartefakte die Bildqualität. Die neue qMRT-Methode begegnet den Herausforderungen der UHF, indem sie zahlreiche MR-Bilder mit leicht variierenden Scannereinstellungen aufnimmt. Um eine kurze Aufnahmezeit zu gewährleisten, wird jedes Bild stark beschleunigt, was zu starken Unterabtastungsartefakten führt. Der Rekonstruktionsalgorithmus korrigiert diese Artefakte durch umfangreiche Berechnungen, für die ein Supercomputer erforderlich ist. Das Endergebnis sind hochwertige, artefaktfreie Bilder, aus denen quantitative Parameter geschätzt werden.

    Vorteile

    • HPC reduzierte die Rekonstruktionszeit von 320 auf 8 Stunden pro Proband, wodurch qMRT realisierbar wurde.
    • Die optimierte qMRT-Methode ermöglichte schnellere Scans, eine verbesserte Bildqualität und präzisere parametrische Schätzungen.
    • Die Zusammenarbeit mit JSC verbesserte die Recheneffizienz und schuf die Voraussetzungen für KI-gestützte qMRT.
    Vergleichsdiagramm von Gehirn-MRT-Bildern, unterteilt in zwei Hauptabschnitte: Qualitatives MRT (links) und Quantitatives MRT (rechts). Unter „Qualitatives MRT“ gibt es eine Spalte mit drei graustufigen Gehirnabschnitten – axial (oben), sagittal (mittig) und koronal (unten) – die ein Strukturabbild mit willkürlicher Signalintensität zeigen. Eine Graustufen-Skala daneben reicht von -0,5 bis 0,5 und ist mit „Signal Intensity [a.u.]“ beschriftet. Unter dieser Spalte steht: „Structural image with arbitrary signal intensity.“ Der Bereich „Quantitatives MRT“ enthält vier Spalten, wobei jede die gleichen drei Gehirnansichten zeigt, jedoch mit unterschiedlichen Farbcodierungen und Messeinheiten: 1. Die erste Spalte zeigt farbkodierte Bilder von Blau (niedrig) bis Gelb (hoch), welche den „freien Wassergehalt in Prozent“ darstellen. Eine vertikale Skala rechts reicht von 0 bis 100 und ist mit „C_fw [%]“ beschriftet. Die Bildunterschrift lautet: „Free water content in percentage.“ 2. Die zweite Spalte zeigt Bilder in einer Farbskala von Blau/Grün (niedrig) bis Gelb (hoch) für die „Longitudinale Relaxationszeit in Millisekunden“, mit einer Skala von 0 bis 4000, beschriftet mit „T₁ [ms]“. Beschriftung: „Longitudinal relaxation time in milliseconds.“ 3. Die dritte Spalte verwendet eine Farbskala von Blau bis Gelb, um die „Effektive transversale Relaxationszeit in Millisekunden“ darzustellen, mit einer Skala von 0 bis 60, beschriftet mit „T₂* [ms]“. Die Beschriftung darunter lautet: „Effective transverse relaxation time in milliseconds.“ 4. Die vierte Spalte zeigt wieder Graustufenbilder, ähnlich wie beim qualitativen MRT, und stellt die „Magnetische Suszeptibilität in ppm“ dar. Die Skala reicht von -0,10 bis 0,10 und ist mit „χ [ppm]“ beschriftet. Darunter steht: „Magnetic susceptibility in ppm.“ Über den Bildern trennt eine waagerechte Linie die Überschriften: „Qualitatives MRT“ links und „Quantitatives MRT“ rechts. Jede Bilderspalte hat eine kurze, kursiv gedruckte Beschreibung des dargestellten Parameters und der jeweiligen physikalischen Einheit. Das Layout hebt den Kontrast zwischen einem einzelnen MRT-Scan mit willkürlicher Intensität und mehreren quantitativen MRT-Ansätzen hervor, die direkt kalibrierte, numerische Messwerte über die Eigenschaften des Gehirngewebes liefern.
    Abbildung 2: In-vivo-Ergebnisse, die ein qualitatives Strukturbild und eine quantitative Wassergehaltskarte C_W, eine T_1-Karte, eine T_2^*-Karte und eine Karte der magnetischen Suszeptibilität χ zeigen, die mit der QRAGE-Methode erfasst wurden.

    Sektor der Industrie

    Gesundheitswesen / Pharmazeutika / Medizinprodukte, IT-/HPC-Systeme

    Wissenschaftliche Partner

    Logo mit einem stilisierten blauen Symbol auf der linken Seite und Text auf der rechten Seite. Der Text lautet: JÜLICH Forschungszentrum Das Design wirkt modern und wissenschaftlich.

    Das Institut für Neurowissenschaften und Medizin 4 (INM-4) am Forschungszentrum Jülich entwickelt innovative Methoden zur Weiterentwicklung der Diagnostik und zur Verbesserung unseres Verständnisses des Gehirns mit modernster medizinischer Bildgebungstechnologie, darunter Ultrahochfeld-MRT (UHF) mit 7 Tessla. Sein interdisziplinärer Ansatz in enger Zusammenarbeit mit dem Jülich Supercomputing Center (JSC) nutzt modernste Rechenressourcen, um neuartige Bildgebungsverfahren zu entwickeln, mit denen neue Biomarker in höherer Auflösung und in kürzerer Erfassungszeit sichtbar gemacht werden können.

    Wissenschaftliche Auswirkungen

    Die Implementierung von qMRT bei UHF erforderte eine neuartige Bildgebungsmethode, um erhöhte Feldinhomogenitäten und spezifische Absorptionsraten zu berücksichtigen. Diese Methode ermöglichte schnellere Scans und eine verbesserte Bildqualität, erforderte jedoch die Lösung eines komplexen Rekonstruktionsproblems mit hohem Rechenaufwand. Mit herkömmlicher Hardware war die Rekonstruktion unzumutbar langsam – 8 Stunden pro Schnitt bei 160 Schnitten pro Proband –, was die Bewertung ihres klinischen Potenzials verzögerte.

    Um dieses Problem zu lösen, wandte sich das Team an die Beratungsdienste des JSC und nutzte HPC, um seine Software an die Leistungsfähigkeit von HPC anzupassen. Durch die Parallelisierung von Aufgaben und die Automatisierung von Prozessen konnte die Rechenzeit von 320 auf nur 8 Stunden pro Proband reduziert werden, wodurch die Anwendung der neuartigen qMRI-Methode, die bisher durch die langsame Rekonstruktion eingeschränkt war, möglich wurde.

    HPC ermöglichte somit den praktischen Einsatz der Methode und verbesserte die Bildqualität und die parametrische Genauigkeit. Damit rückt qMRT bei UHF näher an die klinische Anwendung heran und verbessert die Diagnostik. Weitere Optimierungen – wie beispielsweise die KI-gesteuerte Bildrekonstruktion – könnten es schließlich in routinemäßigen klinischen Umgebungen ohne direkten HPC-Zugang einsetzbar machen, was den Patienten durch präzisere und zeitnahe Diagnosen zugute käme.

    Weiterlesen

    • „(ISMRM 2023) QRAGE – Multi-Echo MPnRAGE and Model-Based Reconstruction for Quantitative MRI of Water Content, T1, T2* and Magnetic Susceptibility at 7T“. Zugegriffen: 1. Oktober 2025. [Online]. Verfügbar unter: https://archive.ismrm.org/2023/1091.html
    • M. Zimmermann u. a., „QRAGE—Simultaneous multiparametric quantitative MRI of water content, T1, T2*, and magnetic susceptibility at ultrahigh field strength“, Magnetic Resonance in Medicine, Bd. 93, Nr. 1, S. 228–244, Jan. 2025, doi: 10.1002/mrm.30272.
  • 2. SIDE Forum

    2. SIDE Forum

    Erleben Sie, wie HPC und KI Ihre Innovation beschleunigen können – beim 2. SIDE Forum am 21. Oktober 2025!
    Sie sind Teil eines KMU, Start-ups, Industrieunternehmens oder einer öffentlichen Einrichtung und möchten Ihr Innovationspotenzial mit High Performance Computing (HPC), Datenanalyse oder Künstlicher Intelligenz (KI) steigern? Dann ist das 2. SIDE Forum – Supercomputing in Deutschland genau das Richtige für Sie! Entdecken Sie, wie diese leistungsstarken Technologien Ihnen helfen können, komplexe Herausforderungen zu lösen, Prozesse zu optimieren und sich fit zu machen für die Zukunft.
    Veranstalter ist Supercomputing in Deutschland (SIDE) – das nationale Kompetenzzentrum für HPC, HPDA und verwandte Technologien. Das Forum bringt Technologieexpert:innen, Förderprogramme und praktische Unterstützungsangebote zusammen, die Ihnen den Einstieg erleichtern oder den nächsten Wachstumsschritt ermöglichen.
    Was erwartet Sie?
    Am Vormittag erhalten Sie Einblicke in:
    • Praxisnahe Anwendungsbeispiele und Erfolgsgeschichten von Unternehmen und Institutionen, die bereits HPC und KI einsetzen

    Am interaktiven Nachmittag haben Sie die Möglichkeit, direkt mit SIDE-Expert:innen in Kontakt zu treten – durch:
    • Speed-Dating: Kurze 1:1-Gespräche, um die passenden Ansprechpartner zu finden

    Ob Sie neu im Thema HPC sind oder bereits den nächsten Schritt planen – das SIDE Forum bietet Ihnen praxisnahe Orientierung, Zugang zu Fördermöglichkeiten und Expertenunterstützung – alles an einem Ort.
    👉 Nutzen Sie diese Chance, das Potenzial von HPC und KI für Ihre Organisation zu erschließen. Seien Sie dabei und erfahren Sie, wie SIDE Sie auf Ihrem Weg unterstützen kann.
    Die Anmeldung ist jetzt möglich!

    📅 21. Oktober 2025, 9:00-17:00 Uhr
    📍 HLRS Stuttgart, Nobelstraße 19, 70569 Stuttgart
    🤝 2. Forum für Supercomputing in Deutschland
    📑 Aktuelle Agenda

  • BOOTCAMP: AI for Science Bootcamp

    Dieser Workshop bietet eine Einführung in wissenschaftliches maschinelles Lernen (SciML) mit PINN und praktische Erfahrungen mit dem PDE-Solver NVIDIA Modulus, einem neuronalen Netzwerk-Framework, das die Leistungsfähigkeit der Physik in Form von partiellen Differentialgleichungen (PDEs) mit Daten verbindet, um realitätsnahe, parametrisierte Surrogatmodelle mit nahezu Echtzeit-Latenz zu erstellen.