Universitäre Forschungsperspektiven

Jürgen Pfeffer, TUM School of Social Sciences and Technology:

„Daten als Grundlage für neue Forschungsfelder“

Der Vortrag behandelt die Erforschung des menschlichen Verhaltens anhand von Daten, insbesondere durch die Analyse von Netzwerken (z. B. Social Media wie TikTok oder Twitter). Dabei geht es nicht nur um die Daten, die Menschen erzeugen, sondern darum, wie sich Verhalten aus ihnen rekonstruieren und verstehen lässt.

Ein Schwerpunkt liegt auf Netzwerkdynamiken (z. B. darauf, wie sich Themen verbreiten, wie Menschen vernetzt sind und wie sich Strukturen verändern). Methoden wie statistisches Modellieren und der Einsatz von Large Language Models (LLMs) zur Textanalyse spielen dabei eine wichtige Rolle.

Zentrale Herausforderungen sind:

• Modellierung komplexer Netzwerke (Skalierungsprobleme, z. B. >1000 Knoten schwer handhabbar)
• Technische Skalierung und Rechenleistung
• Fine-Tuning von LLMs (z. B. experimentelle Projekte wie „DemocraGPT“ [2]

Im Vergleich zwischen Deutschland und Österreich wird die deutsche Dezentralisierung von Forschung und Unternehmen hervorgehoben. Dem steht ein Trend in der KI gegenüber: die Zentralisierung von Macht in wenigen Schlüsseltechnologien.

Die Rolle des Supercomputings wird kritisch betrachtet: Es ist zwar für Spitzenleistungen wichtig, aber nicht unbedingt flächendeckend erforderlich. Stattdessen könnte eine mittlere Rechenleistung für viele Anwendungen ausreichen. Gleichzeitig zeigen Datenmengen (z. B. 100 TB pro Tag auf Twitter), dass die Skalierung eine zentrale Herausforderung bleibt.

Diskussion

Diskutiert wird der Bedarf an Unterstützungspersonal, das nicht-technische Disziplinen (z. B. Geistes- und Sozialwissenschaften) bei der Nutzung von Technologien begleitet. Zudem fehlen IT-affine Fachkräfte in diesen Bereichen.

Weitere zentrale Punkte:

• Niederschwelliger Zugang zu Rechenanlagen und Vermeidung von Leerzeiten sind wichtig
• Die Nachfrage nach Rechenressourcen wird stark steigen
• Nur wenige Projekte benötigen tatsächlich maximale HPC-Leistung
• Große Datenmengen (z. B. Social Media) stellen wertvolle Ressourcen dar
• Es besteht ein Spannungsfeld zwischen hoher Performance einer Rechenanlage und flexibler Verfügbarkeit
• Auf struktureller Ebene werden die europäische Pyramidenstruktur der Nutzer sowie neue Initiativen wie KI-Fabriken erwähnt, die stärker auf Interaktivität setzen.
• Abschließend wird betont, dass Universitäten eine wichtige Rolle spielen sollten, um Zugang, Nutzung und Kompetenzen zu verbessern, jedoch ist noch unklar, wer diese Entwicklung konkret vorantreibt.

[2] Entwicklung eines KI-gestützten Gesprächstrainings zur Förderung demokratischen Austausches

Carla-Sophie Rieger, TUM/CERN:

„Forschung an der Schnittstelle von KI und Hochleistungsrechnen – Perspektiven junger Wissenschaftler:innen“

Der Beitrag beleuchtet diese Themen aus der Perspektive junger Wissenschaftler:innen an der Schnittstelle zwischen Quanten- und Hochleistungsrechnen.

Die Integration von Quantencomputern in HPC-Ökosysteme gilt als eine der zentralen Herausforderungen der kommenden Dekade. Mit der European Quantum Strategy hat die EU einen strategischen Rahmen geschaffen, der diese Entwicklung untermauert – doch wie können sich Strukturen wie EuroHPC weiterentwickeln, um den spezifischen Anforderungen des Quantencomputings (QC) gerecht zu werden?

Ebenso gewinnt die Energieeffizienz als Designprinzip künftiger Quantenarchitekturen an Bedeutung – die Quantum Energy Initiative in Grenoble stößt an, einen tragfähigen Rahmen zur Bewertung von Kosten und Nutzen zu schaffen. Zugleich ergeben sich grundlegende Fragen zur Nutzung der klassischen HPC- und QC-Infrastruktur. Es gilt zu erkunden, wie Forschende aus unterschiedlichen Disziplinen dabei unterstützt werden können, diese Systeme durch Parallelisierung, Skalierung und Codeoptimierung effizient einzusetzen. Auch die Entwicklung flexiblerer Zugangsmodelle verdient Aufmerksamkeit, um explorativer QC- und KI-Forschung Raum zu geben – auch wenn sich der konkrete Rechenbedarf im Voraus oft nur schwer abschätzen lässt, zugleich aber eine gute Auslastung der Systeme gewährleistet werden soll.

Zentrale Herausforderungen & Fragen

• Klassische Simulation stößt an Grenzen, da sie exponentiell skaliert → limitierte Simulierbarkeit
• Unklare Grenzen der klassischen Skalierbarkeit vs. Potenziale von Quantencomputing
• Wie lassen sich Daten, HPC und Quantencomputing sinnvoll verbinden?
• Wie weit sind wir noch von universell einsetzbaren Quantencomputern entfernt?

Technologische Ansätze

• Hybride Methoden (Kombination aus klassischem HPC und Quantencomputing) als Schlüsselansatz
• Integration von Quantencomputern in HPC-Systeme
• Nutzung von Quantencomputern als Beschleuniger innerhalb klassischer HPC-Infrastrukturen

Ressourcen & Nutzung

• Häufige Diskrepanz zwischen verfügbaren und tatsächlich genutzten Ressourcen
• Ziel der effizienteren Ressourcennutzung (z. B. durch Optimierung, Skalierung)
• Industriekooperationen unterstützen Forschungsvorhaben, ersetzen aber keine offene europäische Infrastruktur

Menschen & Zugang

• Junge Forschende brauchen besseren Zugang, Training und geeignete Infrastruktur

Zukunftsperspektiven & Bewertung

• Fokus verschiebt sich von „Quantum Advantage" (siehe Grenoble Quantum Energy Initiative). Neben Leistungsfähigkeit werden Kosten und Energieeffizienz entscheidend.

Klaus Mainzer, EASA:

„Forschung, Lehre und Rechenleistung – quo vadis Europa?

Die Entwicklung von Hoch- und Höchstleistungsrechnern ist in der europäischen Technik- und Wissenschaftsgeschichte tief verwurzelt. Nach dem 2. Weltkrieg wurde in Deutschland zwar eine Rechnerinfrastruktur ausgebaut, die dem Bedarf von Wissenschaft und forschender Industrie gerecht werden sollte. Die weltweite Führerschaft ging aber z. B. an die USA verloren. Um zukünftig die Souveränität und Unabhängigkeit Europas und Deutschlands politisch, wirtschaftlich und militärisch zu sichern, muss im weltweiten Wettbewerb eine technologische Führungsrolle angestrebt werden. Dazu müssen in Deutschland künftig die besten und leistungsfähigsten Rechnertechnologien zur Verfügung stehen. Der Treiber dieser Entwicklung ist der dramatisch ansteigende Bedarf an Rechenleistung für KI-Infrastrukturen (z. B. KI-Factories).

Rechner und Rechenzentren sollen aber nicht nur leistungsfähig sein, sondern auch energieeffizient und ökologisch nachhaltig. In dieser Forderung kommt ein Leistungs- und Forschungsprofil zum Ausdruck, das den europäischen Werten entspricht und sich von anderen Wettbewerbern abhebt. Dieses Wertebewusstsein sollte im Sinne der „Sustainable Development Goals“ (SDG) der UN bereits in der Ausbildung zukünftiger Entwickler und Anwender zum Ausdruck kommen. Die Europäische Akademie der Wissenschaften und Künste baut derzeit eine internationale und interdisziplinäre KI-Plattform für diese Ziele auf.

Hauptpunkte zur europäischen Supercomputing-Strategie

• Europa muss Überregulierung und Bürokratie vermeiden, um Innovationen nicht zu bremsen.
• Abhängigkeit von Energie- und Technologieimporten soll reduziert und eigene erneuerbare Energie und neue smarte (modulare) nukleare Energie gefördert werden.
• Rüstungsindustrie wird zunehmend relevant für die Entwicklung von Großrechnern.
• Deutschland/Europa muss mit neuen (!) Forschungsideen und Innovationen, die nicht unbedingt kapitalabhängig sind, punkten.
• Deutschland bietet hochwertige und preiswerte Lehre, verliert jedoch viele Absolventen an andere Länder.
• Bei hohen Investitionen ist in einer Demokratie eine gesellschaftliche Einbindung notwendig.
• Wirtschaftlicher, politischer und militärischer Druck erfordert multilaterale Wettbewerbsfähigkeit.

Technologische Trends und Chancen

• Drohnen, KI und neue Atomwaffen treiben den Bedarf an Rechenleistung an.
• Statistische Datenoptimierung im „Machine Learning“ der bisherigen KI muss durch physikalisches Wissen (partielle Differentialgleichungen) erweitert werden, um Lösungen zu verbessern und zu präzisieren (Physical AI).
• Großrechner dienen daher nicht nur der statistischen Optimierung großer Datenmengen mit neuronalen Netzen (Machine Learning) wie in der bisherigen KI, sondern auch der Lösung komplexer mathematischer Gleichungen in z. B. Natur-, Ingenieur- und Wirtschaftswissenschaften.
• Neuromorphe Chips nach dem Vorbild des Gehirns (neuromorphes Rechnen) können den von-Neumann-Flaschenhals [3] vermeiden und den Energieverbrauch senken.
• Memristor[4]-Photonik-Kombinationen im neuromorphen Computing gelten als zukunftsträchtige und energieeffiziente Technologien.
• Photonische Chips eröffnen zudem die Verbindung zum Quantencomputing.
• Die Kombination aus statistischer Datenoptimierung und physikalischem Wissen (Physical AI) wird als neuer Innovationsschub gesehen, der sowohl neue KI-Software (automatisches Differenzieren) als auch Superrechner erfordert.

→ Diskussion & Empfehlungen

• In Deutschland müssen Investitionsentscheidungen stärker gerechtfertigt werden, während andere Länder schneller Mittel bereitstellen.
• Energieeffizienz (z. B. im neuromorphen Computing und im Quantencomputing) ist ein verständliches und nachhaltiges Thema, das mit dem Green Deal der EU ein typisches europäisches Forschungsprofil darstellt.
• Durchbrüche und neue Ideen in KI- und Superrechnertechnologie hängen nach wie vor von menschlicher Intelligenz und Grundlagenforschung ab, mit deren Förderung Deutschland/Europa auch ohne den Kapital- und Energieeinsatz der Großmächte punkten kann.
• KI benötigt zwar wachsende Rechnerleistung (z. B. KI-Fabriken), sollte aber effizient, erklärbar und kontrollierbar sein, und damit ein typisch europäisches Profil entwickeln.

[3] Das grundlegende Tempolimit in modernen Computern

[4] Der Memristor ist ein elektronisches Bauelement, eine Schlüsseltechnologie für energieeffiziente KI-Hardware und neuromorphes Rechnen.

Leo Schwinn, TUM:

„Das Munich Data Science Institute MDSI der TUM“

MDSI is essentially a new central hub of TUM for anything related to Data Science and AI. The idea is to facilitate collaboration between people working on AI on a fundamental level, for example, developing new AI methods and researchers in other fields like physics, medicine, management, and others who have a lot of data they want to analyze, where AI could be useful.

The goal of the MDSI is to provide infrastructure, education, and support to connect people from different disciplines to work effectively together.

The MDSI also provides support for data management. For example, by regularly conducting courses that teach specific fundamentals of AI research. But also through personnel, by providing a central point where people can ask these technical questions, so that they do not have to become experts in AI and computer science.

Ideally, we can connect people with diverse skills to solve interdisciplinary problems effectively.

To accomplish this, the MDSI manages a set of computers accessible to its affiliated members.

Similar to LRZ and other compute clusters, this reduces users' workload. Specifically for people from other fields, this can be helpful. However, most of the computing resources used in MDSI-related projects are somewhat decentralized, as most PIs affiliated with the MDSI have their own resources. For example, the GPUs in their lab (LRZ) are resources from Helmholtz Munich, and so on.

To facilitate these research projects, the MDSI also provides seed funds for smaller-scale interdisciplinary projects. Many successful projects have already been conducted, with some receiving awards.

A list of projects can be found on the website.

Zentrale Punkte zur Nutzung von Rechenressourcen in Deutschland / Europa

• MDSI verfügt über eigene Compute-Ressourcen, die Mitglieder nutzen können, um interdisziplinäre Projekte zu starten.
• An der TUM sind Doktorand:innen oft nicht geschult, wie sie Rechenzeiten beantragen; das läuft meist über die Professor:innen.
• Für „kleine“ Nutzer:innen ist der Zugang zu HPC-Ressourcen in Europa schwierig; individuelle Forschungszugänge fehlen.

Diskussion & Herausforderungen

• Das Wissenschaftsministerium möchte Rechenressourcen für die Wissenschaft sichern, um eine kommerzielle Nutzung nicht zu bevorzugen.
• Grundlagenforschung verlagert sich zunehmend in Unternehmen, die teilweise über eigene Rechenkapazitäten verfügen.
• Giga-Factories und kommerzielle Anbieter (z. B. Amazon) sind gewinnorientiert und unterscheiden sich von klassischen Forschungsrechenzentren (z. B. LRZ Jülich).
• Föderalismus führt oft zu vielen kleinen, unkoordinierten Anfragen; eine gebündelte Nutzung wäre effizienter.

Perspektiven & Empfehlungen

• HPC sollte primär als Werkzeug für wissenschaftliche Spitzenprojekte genutzt werden; KMU sind bislang kaum eingebunden.
• Kooperation zwischen Wissenschafts- und Wirtschaftsministerium wird als notwendig erachtet, insbesondere für Quantencomputing.
• Neue Geschäftsmodelle könnten Innovationen ermöglichen, während Forschung teilweise in Unternehmen wandert.

Diskussion und Zusammen­fassung zu universitären Forschungsperspektiven

Zentrale Themen

• Europa verfolgt einen anderen Ansatz als die USA, indem Energieeffizienz bei Hochleistungsrechnern (HPC) und in der KI zentral berücksichtigt wird.
• Physical AI und Physical Machine Learning betreffen Software und Hardware; beide Ebenen müssen berücksichtigt werden.
• KI soll menschliche Intelligenz ergänzen, nicht ersetzen, unter Berücksichtigung ethischer Fragestellungen und der Energieeffizienz.

Herausforderungen & Nutzung

• Kommerzielle Angebote (Google Cloud, Amazon Web Services, Azure, Giga-Factories) sind für die Wissenschaft oft zu teuer und nicht optimal für große Modelle geeignet.
• Verteilungsprobleme bei HPC-Ressourcen: Nutzungszeiten sind nicht effizient verteilt, redundante Zeiten sollten besser genutzt werden.
• Der Zugang zu HPC-/KI-Ressourcen muss standardisiert und vereinfacht werden, auch für die Geistes- und Sozialwissenschaften.
• Unterschiedliche Abrechnungs- und Verwaltungsmethoden erschweren die Nutzung für Laien.

Ziele

• Energieeffizienz, Resilienz und Nachhaltigkeit bei HPC- und KI-Systemen in Europa betonen.
• KI soll menschliche Intelligenz ergänzen, nicht ersetzen; dabei ethische Fragen berücksichtigen.
• Physical/Extended ML und AI sind nicht alles – Erklärungssysteme und Denkprozesse sind entscheidend.
• Bessere Strukturen, standardisierte Zugänge und vereinfachte Nutzung für Wissenschaft, KMU und Nicht-Spezialisten.
• Redundanzen in Rechenkapazitäten besser nutzen (z. B. an der TUM) statt knapper Ressourcen über Bürokratie zu verwalten.
• Unterschiedliche Abrechnungsmethoden vereinheitlichen; den Zugang für alle Fachgruppen erleichtern.
• Fokus auf intelligente, flexible Kapazitäten statt auf maximale Größe; spezialisierte vs. universelle Ressourcen abwägen.
• Europäische Angebote sollen unabhängig von Chiplieferungen optimale Arbeitsbedingungen schaffen und Abundanz und Diversität fördern.
• Giga-Factories und US-Angebote sind für die deutsche Wissenschaft derzeit nicht ideal.
• Ziel: HPC- und KI-Systeme effizient, nutzerfreundlich und nachhaltig betreiben, technische und kulturelle Aspekte der Ressourcennutzung berücksichtigen.

Strategische Empfehlungen

• Europa sollte Strukturen schaffen, die unabhängig von Chiplieferungen beste Arbeitsbedingungen ermöglichen.
• Statt weiterer bürokratischer Regeln: Abundanzkultur fördern, Ressourcen transparent und effizient verteilen, Diversität und den Wert der Ressourcen betonen.
• Narrative entwickeln, die technische Komplexität verständlich machen, z. B. zu LLMs, Quantencomputing oder Chip-Herstellung.
• Eine Kultur der Abundanz könnte in Einrichtungen wie der TUM durch Transparenz und die positive Nutzung der Ressourcen etabliert werden.