Modulares Hochleistungsrechnen (HPC)

Modulares HPC ist ein Ansatz, bei dem verschiedene Arten von Rechner-, Speicher- und Beschleunigungssystemen in einem einzigen heterogenen System kombiniert werden, das genau die richtige Mischung von Ressourcen für eine bestimmte Aufgabe bereitstellen kann. Aufgrund ihres modularen Charakters können solche Systeme mit neuartiger Hardware wie Memristoren, neuromorphen Computern oder sogar Quantencomputern erweitert werden. Modulare HPC-Systeme können Aufgaben wie die Verarbeitung von Genomikdaten in PRECISE, Zeitreihendaten aus Tiermodellen oder Bilddaten aus Mikroskopie oder MRT beschleunigen. Wir waren die erste Gruppe außerhalb von HPE, die sich mit Memory-Driven Computing beschäftigt hat und setzen diese Arbeit mit den speicherzentrierten Rechenressourcen am DZNE fort. Ein wichtiger Arbeitsbereich ist die Entwicklung leicht integrierbarer Tools, um bestehende Anwendungen zu beschleunigen und neue Forschungsrichtungen zu ermöglichen.

Verteilte Infrastruktur und Werkzeuge

Groß angelegte Studien wie DELCODE zeigen, wie die Wissenschaft in Studiengröße und geografischer Verteilung skaliert. Die Rechenressourcen müssen dem folgen, doch zentralisierte Architekturen sind bei massiv wachsenden Datenmengen immer weniger praktikabel. Wissenschaftliche Recheninfrastrukturen und Werkzeuge müssen dies widerspiegeln. Wir untersuchen, wie verteilte Systeme Standorte zusammenbringen können, die große Datenmengen produzieren, wie die Genomforschung in Bonn, Göttingen und Tübingen oder die MR-Bildgebung in Magdeburg und Bonn. Neben einem solchen Service Mesh wenden wir auch Swarm Learning auf neue Bereiche an und helfen bei der datenschutzkonformen Zusammenarbeit.

Sicherheit und Datenschutz von Patientendaten bei gemeinsamer Nutzung und Zusammenarbeit

Forscher arbeiten mit Partnern auf der ganzen Welt zusammen und sind auf die gemeinsame Nutzung großer und sensibler Studiendatensätze angewiesen. Jüngste regulatorische Entwicklungen wie die Datenschutzgrundverordnung (DS-GVO) führen zu Unsicherheiten und Mehraufwand. Hier sind neuartige Ansätze zur Wahrung der Privatsphäre erforderlich, die auf synthetischen Daten oder maschinellen Lerntechniken wie Schwarmlernen beruhen. Im Projekt Pro-Gene-Gen entwickeln wir in Zusammenarbeit mit CISPA solche Werkzeuge zum Schutz von Patientendaten.