Inno4scale

Projektziele

Inno4scale verfolgte das Ziel, disruptive Innovationen von HPC-Anwendungssoftware zu ermöglichen, indem risikoreiche, potenziell bahnbrechende algorithmische Studien mit Fokus auf extreme Skalierbarkeit gefördert wurden. Im Zuge einer offenen Ausschreibung wurden 22 „Innovationsstudien“ ausgewählt, die unkonventionelle algorithmische Ansätze untersuchten, um zentrale Herausforderungen des Extreme-Scale-Computings zu bewältigen: höhere Parallelität, Reduzierung von Kommunikationsengpässen, effiziente Nutzung heterogener Hardware und Optimierung von Leistung und Effizienz. Das Projekt bot eine Spielwiese für neuartige HPC-Algorithmen, die in klassischen Forschungsprojekten kaum umsetzbar gewesen wären. Das HLRS leitete die Kommunikations- und PR-Aktivitäten, um Wissenschaftler:innen zur Teilnahme an Inno4scale zu motivieren und das Bewusstsein für die Projektergebnisse und ihre Auswirkungen zu schärfen.

Projektergebnisse

• Durchführung von 22 Innovationsstudien in unterschiedlichen Anwendungsfeldern wie CFD, Quanten- und Teilchenphysik sowie Uncertainty Quantification.
• Proof-of-Concept-Implementierungen führten zu algorithmischen Verbesserungen mit bis zu 100-facher Beschleunigung in ausgewählten Anwendungsfällen (z. B. XSCALE, CBM4Scale).
• Einführung asynchroner und gemischt-präziser Algorithmen, die die Effizienz steigerten und eine bessere Ausschöpfung von GPU-CPU-Systemen ermöglichten (z. B. SCALE-TRACK, Ex3S).
• Entwicklung neuartiger numerischer Verfahren zur Uncertainty Quantification und Bayes'schen Inferenz mit mehr als 90 % Kostenersparnis in industriellen und geophysikalischen Anwendungen.
• Erste Integrationserfolge in produktive HPC-Anwendungen und Impulse für laufende und künftige Forschungsaktivitäten.

Ausblick

• Vielversprechende Ergebnisse aus Inno4scale werden derzeit weiterentwickelt und in domänenspezifische HPC-Software integriert.
• Folgeanträge im Rahmen von EuroHPC JU und nationalen Förderprogrammen sind in Vorbereitung, um die algorithmische Innovation auf Exascale fortzusetzen.
• Einige Studien haben neue Kooperationen angestoßen, die über das Projektende hinaus fortgeführt werden und eine wachsende Forschungs-Community rund um skalierbare HPC-Algorithmen fördern.
• Fortlaufende Disseminationsaktivitäten wie wissenschaftliche Veröffentlichungen, Workshops und mögliche Open-Source-Freigabe der entwickelten Prototypen.