Europas Supercomputer – Infrastruktur

Thomas Lippert, Director Jülich Supercomputing Centre (JSC) und Goethe-Universität Frankfurt:

„JUPITER for Simulation and AI – Perspectives of the Jülich Supercomputing Center (JSC)”

I would like to give you a brief insight into the planning, construction, and use of the JUPITER exascale computer. JUPITER's name says it all: it stands for Joint Undertaking Pioneer for Innovative and Transformative Exascale Research. JUPITER was planned in a long process dating back to 2009. During this time, not only did new techniques for simulating complex systems develop, but also so-called DEEP Neural Networks (DNN), as represented today by generative pre-trained transformers. So, it is no surprise that JUPITER was designed as a “dual” system from 2020 onwards. JUPITER can handle the largest simulation calculations and AI training tasks. JUPITER will run the largest climate simulations and also develop the first competitive German and European frontier models. JUPITER is Europe's first step into the exascale dimension and frontier models. This comes with many challenges in terms of energy efficiency, cooling, scalability, resilience, and data systems, which will also have to be overcome in the planned European AI Gigafactories.

Thesen zur künftigen Entwicklung von KI, HPC und Europas technologischer Souveränität

Förderung der Souveränität in Schlüsseltechnologien: Deutschland und Europa müssen in den wichtigsten Schlüsseltechnologien Unabhängigkeit erlangen, um selbstbestimmte Prioritäten setzen zu können, Abhängigkeiten zu reduzieren und Monopole zu vermeiden. Dazu gehören u.a. Chips, Cloud-Technologien, künstliche Intelligenz, Quantenkommunikation und Quantencomputing, sowie neue Energietechnologien.

Bedeutung der künstlichen Intelligenz: KI ist sowohl eine Schlüsseltechnologie sui generis im Sinne einer „General Purpose Technology“ als auch ein dualer Enabler für Schlüsseltechnologien wie Robotik, autonomes Fahren und automatisierte Fertigung auf der einen Seite sowie für Schlüsselwissenschaften wie Biologie, Chemie, Materialien, Klima und Physik auf der anderen Seite.

Wachsender Einsatz souveräner KI: Souveränität in der KI wird in Bereichen wie dem Finanzwesen, den Versicherungen sowie dem Groß- und Einzelhandel zunehmend wichtig. Unabdingbar sind Autonomie und Souveränität in Bereichen wie der Sicherheit, der Verteidigung und der kritischen Infrastruktur. Krisenresistenz erfordert souveräne Kontrolle über Daten und Infrastrukturen.

HPC für KI: Leistungsfähige HPC-Systeme werden dringend benötigt, um in Deutschland Frontier-Modelle für Wirtschaft, Verwaltung, Verteidigung und Gesellschaft, und nicht zuletzt Wissenschaft, souverän trainieren und nutzen zu können. Der Aufbau von AI-Gigafactories in der Größenordnung von 100.000 GPUs und >50 MW Leistung muss bald erfolgen.

Wertschöpfung durch Tools und Experten: Hardware ist nur effektiv, wenn sie klug genutzt wird. Daher muss die Schaffung von Entwicklungstools für Modellierung, Qualitätssicherung und Sicherheit gefördert werden, und die Ausbildung von Expertinnen und Experten sowie von Fachkräften in KI muss Priorität erhalten.

Quelloffene Modelle nutzen: Für einen schnellen Start mit eigenen Frontier-Modellen sollte man vorhandene Open-source-LLMs und multimodale Modelle unbedingt nutzen, unter der Bedingung, dass auch Daten, Tools und Trainingsverfahren vollständig offen sind. Wir müssen vermeiden, Räder neu zu erfinden und dabei den Start zu verpassen.

Der Entwicklung nicht nur folgen: KI entwickelt sich heute rasant in Richtung von Multi-Agenten-Systemen und RAG [5]. Wissenschaftsministerien und große fördernde Forschungsorganisationen müssen Programme schaffen, damit Universitäten und Forschungsinstitute in die Lage kommen, sich an die Spitze solcher Neuentwicklungen zu stellen.

Marktanteile steigern: Das vorrangige Ziel Deutschlands muss sein, seinen Marktanteil im Bereich KI auf mehr als 3 % zu erhöhen. Von geschätzten 190 Mrd. € Umsatz in KI weltweit im Jahr 2023: UNCTAD (2025) erwartet eine Steigerung auf fast 5 Bio. im Jahr 2033. Für Deutschland wird hier ein Umsatz von 150 Mrd. für 2033 prognostiziert. Entscheidende Bedeutung haben dabei First-to-Market-Key-Technologies.

Zentrale Themen & Entwicklungen

Neuromorphes Computing soll KI-Kapazitäten effizient nutzen.
Bedarf an Supercomputern steigt kontinuierlich, stark getrieben durch KI-Anwendungen.
Energieeffizienz ist entscheidend; photonisches Rechnen bietet ein hohes Leistungspotenzial bei sehr niedrigem Energieverbrauch.
Photonische Chips: vollständig in Deutschland entwickelt, energieeffizient, innovative Alternative zu marktüblichen Chips.

Aktuelle Herausforderungen

Bisherige HPC-Hardware war marktbasiert, entspricht jedoch oft nicht den spezifischen wissenschaftlichen Anforderungen.
Nvidia dominiert den Markt (16-Bit-Chips, steigende Kosten von bis zu 50.000 USD pro Chip).
Quanten- und neuromorphes Computing befinden sich noch im frühen Stadium und eignen sich derzeit nur für spezielle Anwendungen.
Mangel an Standards für Chiplets sowie an eigenständiger Hardware-Integration.

Zukunftsperspektiven & Empfehlungen

Aufbau gestaffelter HPC-Strukturen: europäische, nationale und kleinere institutionelle Zentren.
Geringere Präzision (16 Bit) kann situationsabhängig ausreichen.
Förderung der Eigenständigkeit Europas bei der Chipentwicklung, ohne vollständige Autarkie anzustreben.
Partnerschaften suchen, Investitionen in die nationale Chipentwicklung; Vorschlag: 30 % des KI-Beschaffungsbudgets.
Digitale Souveränität als Teil staatlicher bzw. Europäische Souveränität betonen.
Positive Beispiele: Bayerischer photonischer Chip, energieeffiziente Systeme in Jülich

Zentrale Punkte zu JUPITER & europäischer HPC/KI-Strategie

JUPITER-Projekt begann 2009; seitdem Entwicklung neuer Methoden für komplexe Simulationen und Deep Neural Networks (DNN, z. B. generative Transformer).
Herausforderungen: Energieeffizienz, Kühlung, Skalierbarkeit, Resilienz und Datenmanagement – auch

[5] Retrieval-Augmented Generation: eine Technik, bei der Sprachmodelle (wie ChatGPT) vor der Antwortgenerierung gezielt externe oder unternehmensinterne Daten abrufen, um präzisere und aktuellere Informationen zu liefern.

Dieter Kranzlmüller, Direktor Leibniz-Rechenzentrum der Bayerischen Akademie der Wissenschaften und Ludwig-Maximilians-Universität München:

„Blue Lion – der neue bayerische Supercomputer und photonische Ansätze“

Project Stargate ist ein US-amerikanisches Großprojekt zum Bau mehrerer KI-Supercomputer mit enormen Investitionen (insgesamt bis zu 500 Mrd. USD, erste Phase ca. 10 Mrd. USD, letzte Phase etwa 115 Mrd. USD) und einer geplanten Leistungsaufnahme von etwa 5 GW. Der Bedarf an Supercomputern wächst stetig, insbesondere aufgrund des zunehmenden Einsatzes von KI.

Ein zentraler Faktor ist dabei die Energieeffizienz. Große Hoffnung ruht auf photonischem Rechnen, das deutlich weniger Energie verbraucht als herkömmliche Technologien und zugleich ein hohes Leistungspotenzial bietet. Besonders bemerkenswert: Ein entsprechender photonischer Chip wurde vollständig in Deutschland entwickelt.

Der neue bayerische Supercomputer Blue Lion wird ab Anfang 2027 am Leibniz-Rechenzentrum (LRZ) betrieben. Er liefert etwa die 30-fache Rechenleistung des Vorgängers SuperMUC-NG und verknüpft traditionelle Simulationen mit künstlicher Intelligenz:

Kerndaten und Architektur

Leistung und Prozessoren: Der Supercomputer basiert auf der leistungsstarken NVIDIA Vera Rubin Architektur und nutzt die nächste Generation der HPE-Cray-Technologie. [6]
Investition: Das Projekt wird vom Bund und dem Freistaat Bayern mit insgesamt bis zu 250 Millionen Euro getragen.
Kühlung und Energie: Blue Lion wird zu 100 % direkt flüssig gekühlt. Mit bis zu 40 Grad warmem Wasser, das durch die Racks fließt, kann die Abwärme direkt zur Beheizung von Büros und Gebäuden im Forschungszentrum Garching genutzt werden.
Photonische Ansätze und die Zukunft des Computings: Um den Energiehunger und die physikalischen Grenzen klassischer Rechenleistung zu überwinden, wird am LRZ intensiv an photonischen und optischen Technologien geforscht.
Quanten-Integration: Mit Ansätzen wie dem photonischen Quantencomputing wird daran gearbeitet, klassische HPC-Prozessoren nahtlos mit optischen Quantenrechnern zu verknüpfen, um hybride Workflows in den Naturwissenschaften und der Kryptographie zu ermöglichen.
Aktuelle Updates, Prototypen von Blue Lion (Blue Cubs) und wissenschaftliche Einsatzgebiete können direkt auf den Seiten des Leibniz-Rechenzentrums (LRZ) verfolgt werden.

Das Leibniz-Rechenzentrum (LRZ) setzt für Künstliche Intelligenz primär auf das System SuperMUC-NG und nutzt für extreme Datenmengen den WSE-2-Superchip (Wafer-Scale Engine) von Cerebras Systems:

WSE-2 (Cerebras Superchip): Der Chip ist so groß wie ein ganzer Wafer. Er vereint 850.000 Rechenkerne auf einer Fläche und ist speziell auf Deep Learning und die schnelle Verarbeitung massiver Datensätze (Big Data) ausgelegt.
SuperMUC-NG: Der derzeitige Haupt-Supercomputer des LRZ in Garching wurde speziell um Grafikprozessoren (GPUs) erweitert, um klassische wissenschaftliche Simulationen mit Methoden der künstlichen Intelligenz zu verknüpfen.
Weitere Technologie: Zusätzlich erforscht und testet das LRZ neuartige Technologien wie Quantencomputer und photonische (mit Licht arbeitende) Rechner, um KI-Aufgaben noch energieeffizienter zu lösen. Für photonische Co-Prozessoren (Q.ANT) optimieren Forschende klassische Algorithmen (wie Matrix-Vektor-Multiplikationen) so, dass sie auf optischen Einheiten laufen, um den Energieverbrauch drastisch zu senken.

Am Leibniz-Rechenzentrum (LRZ) werden KI-Superchips (wie Cerebras WSE-2 oder photonische Co-Prozessoren) hauptsächlich über standardisierte HPC-Programmierumgebungen und Bibliotheken angesteuert. Die Programmierung erfolgt in der Regel hardwarenah in Sprachen wie C, C++, Python oder Rust über AI-Frameworks.

Die Integration und Programmierung dieser Systeme am LRZ stützen sich auf folgende Kernpunkte:

Standard-Sprachen: Forschende nutzen Programmiersprachen wie Python, C++ oder Rust, um ihre KI-Modelle und Workloads zu schreiben.
Bibliotheken: Für die eigentliche KI-Entwicklung und das Training kommen weit verbreitete Bibliotheken wie TensorFlow, PyTorch oder scikit-learn zum Einsatz.
Optimierung: Spezielle APIs, Bibliotheken und Treiber des LRZ abstrahieren die Low-Level-Kommunikation und ermöglichen es der Software, den direkten Zugriff auf KI-Beschleuniger (GPUs oder Spezialchips) effizient zu steuern.

Empfehlungen an Wissenschaft und Politik:

KI kann HPC nicht ersetzen, aber sehr gut ergänzen, daher interdisziplinäre Forschung zu HPC und KI ausbauen und stärker mit Anwendungsfeldern vernetzen.
Offene Forschungsinfrastrukturen und Datenplattformen in Europa weiterentwickeln.
Ausbildung und Qualifizierung von Fachkräften in HPC, KI und Datenwissenschaften stärken.
Langfristig in HPC- und KI-Infrastrukturen investieren.
Europäische technologische Souveränität durch eigene Schlüsseltechnologien und Kooperationen stärken.
Innovationsfreundliche Rahmenbedingungen schaffen und den Transfer von Forschung in Wirtschaft sowie den Zugang für KMU zu HPC- und KI-Ressourcen erleichtern.

Erwin Laure, Max Planck Computing and Data Facility:

„Zukunft des High-Performance-Computings“

Der steigende Bedarf an Hochleistungsrechnen (HPC) wird durch KI und datengetriebene Wissenschaft weiter verstärkt. Große industrielle Systeme wie „Colossus“ zeigen, dass industrielle KI-Infrastruktur zunehmend leistungsfähiger wird und den Markt dominiert, während klassische akademische HPC im Vergleich sehr klein wirken. Damit verschiebt sich auch das Verhältnis zwischen wissenschaftlicher und industrieller Rechenleistung: Während HPC traditionell stark von Forschungseinrichtungen geprägt war, treiben heute große Technologieunternehmen die Entwicklung maßgeblich voran.

Ein zentrales Problem besteht darin, dass der Markt für Hochleistungsrechnen und KI-Hardware stark von wenigen Akteuren dominiert wird. Besonders Nvidia nimmt eine herausragende Stellung ein, da das Unternehmen nicht nur leistungsfähige Grafikprozessoren bereitstellt, sondern auch ein umfangreiches Software-Ökosystem aufgebaut hat. Diese Kombination aus Hardware und Software schafft starke Abhängigkeiten. Viele Anwendungen, Frameworks und KI-Modelle sind eng an Nvidia-Technologien angepasst, was einen Wechsel zu anderen Anbietern schwierig und kostspielig macht. Hinzu kommt, dass spezialisierte Chips und Beschleuniger, etwa für Berechnungen mit reduzierter Genauigkeit wie 16- (oder weniger)-Bit-Operationen, immer teurer werden. Gerade solche Formate sind für KI-Anwendungen besonders wichtig, weil sie eine hohe Rechenleistung bei geringem Speicher- und Energiebedarf ermöglichen. Die steigenden Kosten und die Marktkonzentration werfen daher die Frage auf, wie langfristig eine bezahlbare und unabhängige Recheninfrastruktur für Wissenschaft und Wirtschaft gesichert werden kann.

Die bisherige Strategie vieler wissenschaftlicher Einrichtungen bestand darin, verfügbare Hardware am Markt zu beschaffen und sie für die jeweiligen Forschungszwecke einzusetzen. Dieses Vorgehen stößt jedoch zunehmend an Grenzen. Industriell entwickelte Hardware orientiert sich vor allem an den Anforderungen großer kommerzieller Märkte, insbesondere an KI-Anwendungen großer Unternehmen. Wissenschaftliche Anforderungen sind jedoch oft vielfältiger: Sie reichen von numerischen Simulationen über Klimamodelle, Materialforschung und Teilchenphysik bis hin zu Bioinformatik und datenintensiven Experimenten. Nicht jede dieser Anwendungen profitiert im gleichen Maße von denselben Chiparchitekturen. Wenn Rechenzentren lediglich das kaufen, was am Markt verfügbar ist, besteht die Gefahr, dass wissenschaftliche Bedürfnisse nur noch nachrangig berücksichtigt werden. Dadurch können Effizienzverluste entstehen, sowohl bei der Rechenleistung als auch beim Energieverbrauch und bei den Kosten.

Zukunftstechnologien wie Quantencomputing oder neuromorphes Rechnen bieten langfristig interessante Perspektiven, sind aber derzeit noch nicht reif genug, um klassische HPC- oder KI-Infrastrukturen in großem Umfang zu ersetzen. Quantencomputer versprechen für bestimmte Problemklassen enorme Vorteile, befinden sich jedoch weiterhin in einer frühen Entwicklungsphase. Es bestehen noch erhebliche Herausforderungen hinsichtlich der Fehlerrate, der Skalierbarkeit, der Stabilität und der praktischen Nutzbarkeit. Auch neuromorphe Systeme, die sich an der Funktionsweise biologischer Nervensysteme orientieren, könnten insbesondere bei energieeffizienten KI-Anwendungen eine Rolle spielen. Dennoch bleiben beide Technologien vorerst Nischenlösungen und können den kurzfristig stark wachsenden Bedarf an Rechenleistung nicht decken. Für die kommenden Jahre bleibt die Weiterentwicklung klassischer und spezialisierter Halbleitertechnologien daher entscheidend.

Vor diesem Hintergrund wird für die Zukunft ein gestaffeltes System von Rechenzentren vorgeschlagen, das europäische, nationale und institutionelle Ebenen miteinander verbindet. Auf europäischer Ebene könnten besonders große und leistungsfähige Systeme bereitgestellt werden, die für strategisch wichtige Aufgaben, internationale Forschungsprojekte und große KI-Modelle genutzt werden. Nationale Rechenzentren könnten ergänzend spezifische Anforderungen einzelner Länder abdecken und eine breitere wissenschaftliche Nutzung ermöglichen. Institutionelle Rechenzentren an Universitäten und Forschungseinrichtungen würden weiterhin eine wichtige Rolle spielen, da sie näher an den jeweiligen Nutzergruppen sind und flexibler auf lokale Anforderungen reagieren können. Ein solches mehrstufiges Modell könnte dazu beitragen, Rechenressourcen effizienter zu verteilen und zugleich die Versorgungssicherheit zu erhöhen.

Ein zentraler Punkt ist dabei der Aufbau eigener Chip-Entwicklung und zumindest teilweiser Chip-Produktion in Europa. Ziel ist nicht, vollständige Autarkie zu erreichen, da die globalen Lieferketten in der Halbleiterindustrie hochkomplex sind und die internationale Zusammenarbeit weiterhin notwendig ist. Vielmehr geht es darum, kritische Abhängigkeiten zu reduzieren und die digitale Souveränität zu stärken. Europa sollte in der Lage sein, eigene technologische Schwerpunkte zu setzen und Hardware zu entwickeln, die besser auf wissenschaftliche, industrielle und gesellschaftliche Anforderungen abgestimmt ist. Dazu gehören energieeffiziente Architekturen, spezialisierte Beschleuniger für KI und Simulationen sowie offene Software- und Hardware-Ökosysteme, die die Abhängigkeit von einzelnen Herstellern verringern.

Konkret wird angeregt, einen relevanten Anteil der öffentlichen KI-Budgets in die nationale und europäische Chipentwicklung zu investieren. Eine Größenordnung von etwa 30 Prozent der KI-Fördermittel könnte dafür genutzt werden, eigene Kompetenzen in den Bereichen Design, Fertigung, Integration und Softwareunterstützung aufzubauen. Dies wäre nicht nur aus technologischer Sicht wichtig, sondern auch aus wirtschafts- und sicherheitspolitischen Gründen. Wer über eigene Recheninfrastruktur und Chiptechnologien verfügt, kann Innovationen unabhängiger vorantreiben und ist weniger anfällig für Lieferengpässe, Exportbeschränkungen oder geopolitische Konflikte.

Bereits heute gibt es in Deutschland und in Europa vielversprechende Ansätze. Beispiele sind photonische Chips aus Bayern, die Licht statt elektrischer Signale für bestimmte Rechenoperationen nutzen und dadurch perspektivisch hohe Rechengeschwindigkeiten bei geringerem Energieverbrauch ermöglichen könnten. Auch energieeffiziente Ansätze aus Jülich zeigen, dass im HPC-Bereich neue Architekturen entwickelt werden, die besser auf wissenschaftliche Rechenanforderungen zugeschnitten sind. Solche Projekte verdeutlichen, dass Europa über relevantes Know-how verfügt. Entscheidend wird jedoch sein, diese Ansätze nicht nur als Einzelprojekte zu fördern, sondern langfristig in eine koordinierte Strategie einzubetten.

Insgesamt zeigt sich, dass die Zukunft des Hochleistungsrechnens nicht allein durch den Kauf immer größerer Systeme gesichert werden kann. Notwendig ist eine strategische Kombination aus leistungsfähiger Infrastruktur, eigener Technologieentwicklung, internationaler Kooperation und gezielter Förderung. Nur so kann gewährleistet werden, dass Wissenschaft, Wirtschaft und Gesellschaft auch in Zukunft Zugang zu ausreichender, bezahlbarer und souveräner Rechenleistung haben.

Diskussion und Zusammenfassung zu Europas Supercomputer-Infrastruktur

Zentrale Themen

Die Supercomputer-Infrastruktur wurde traditionell für die numerische Simulation unterschiedlichster Anwendungen benötigt. In den letzten 10 Jahren sind zusätzlich zu diesen „klassischen“ Supercomputer-Anwendungen sehr hohe Anforderungen an Rechenkapazitäten in den Bereichen der künstlichen Intelligenz und der Verarbeitung großer Datenmengen entstanden.
Supercomputer erfordern für Betrieb und Kühlung enorme Energie und belasten damit Haushalte, die Versorgungsinfrastruktur und die Umwelt. Energieeffizienz und Standortauswahl sind daher von großer Bedeutung.
Die öffentliche, klassische Supercomputer-Infrastruktur in Deutschland und Europa ist grundsätzlich gut organisiert und wird aus EU-, Bundes- und Landeshaushalten finanziert. Für die besonderen Bedarfe der künstlichen Intelligenz besteht derzeit (noch) keine ausreichende Infrastruktur („AI-Gigafactories“).
Die Koordination der klassischen Infrastruktur erfolgt in Europa durch das Joint Undertaking (JU) Euro-HPC, in Deutschland durch das Gauss Center for Supercomputing (GCS e.V.) für die Bundeshöchstleistungsrechner und durch das NHR (Verein für Nationales Hochleistungsrechnen) für die Landeshöchstleistungsrechner.
Supercomputer der höchsten Leistungsklasse werden ausschließlich außerhalb Europas entwickelt und produziert. Das gilt sowohl für die Hardware als auch für die Systemsoftware. Der US-Hersteller NVIDIA hat derzeit ein Monopol auf Prozessorbausteine und Systeme der höchsten Leistungsklasse. Europa ist deshalb in diesen Bereichen nicht autark.
Deutschland hat besondere Kompetenzen in neuartigen Technologien, die künftig Bedeutung für das Supercomputing (klassisch und für KI) haben können: im Bereich energieeffizienter Technologien die Photonik und im Bereich unkonventioneller Rechnerarchitekturen und Programmiermodelle die Quantenrechner.
Im Bereich der Algorithmen und der Software für Anwendungen besteht dagegen in Deutschland und Europa Kompetenz auf höchstem Niveau.
Entsprechendes gilt für die Infrastruktur und den Betrieb von Höchstleistungsrechnern.
Auch im Bereich des Entwurfs, des Betriebs, der Anwendungen und der Nutzung von Cloud-Systemen bestehen in Europa gute Kompetenzen.

Herausforderung und Nutzung

Im Bereich der Hardware müssen Kompetenzen schrittweise aufgebaut werden. Dabei sollten die in verschiedenen europäischen Ländern vorhandenen Stärken zusammengeführt, gemeinsam genutzt und weiterentwickelt werden.
Im Bereich Software müssen die Europäer gemeinsam klären, ob ein schrittweiser Umstieg auf Open-Source-Lösungen die Abhängigkeit von den USA (z.B. Microsoft) reduzieren kann
Europäische Cloud-Lösungen müssen gezielt gefördert und ihre Nutzung propagiert werden

Ziele und strategische Empfehlungen

Deutsche und europäische Stärken weiter verstärken, Schwächen oder nicht vorhandene Kompetenzen schrittweise kompensieren und beseitigen – auch wenn das sehr teuer wird.
Systementwicklung für Forschungsinfrastrukturen und Datenplattformen in Europa fördern – für Hardware, Software und Anwendungen.
Die Konkurrenz zwischen klassischem Supercomputing und Supercomputing für KI gezielt analysieren sowie mögliche Synergien identifizieren und fördern.
Abgestufte Leistungspyramide etablieren: Gigasysteme – Superrechner - Cloudsysteme
Autarkie für Europa schrittweise möglichst weit entwickeln, durch gezielte Förderung neuer Technologien und durch Propagierung der Nutzung bereits existierender europäischer Technologien.
Unkonventionelle bzw. Nischen-Technologien fördern, die teilweise bereits eine besondere europäische Stärke darstellen: Kurz- und mittelfristig im Bereich energieeffizienter Technologien durch Unterstützung der Photonik, längerfristig im Bereich verschiedener Quantentechnologien, von Quantenrechnern und Quantenprogrammierung.