Unter einem Parallelrechner versteht man einen Rechner, auf dem Anwendungen echt parallel ausgeführt werden können. Die heutzutage üblichen Laptop- und Desktop-Rechner sind bereits kleine Parallelrechner, da mehrere Kerne eine echt parallele Abarbeitung von Anwendungen erlauben. Daher gewinnt die Programmierung von parallelen Programmen und Algorithmen immer mehr an Bedeutung und Wichtigkeit. Durch die steigenden Berechnungskapazitäten werden außerdem immer größere Datenmengen produziert.

Im Rahmen des Projekts werden daher verschiedene Aspekte von Parallelrechnern mithilfe moderner Methoden genauer analysiert und evaluiert. Big-Data-Ansätze erlauben die Analyse der immer weiter wachsenden Datenflut, während Machine-Learning-Methoden zunehmend klassische Problemlösungsansätze ersetzen. Leistungskritische Komponenten werden dabei häufig in hardwarenahen Sprachen wie C oder C++ entwickelt, während einfacher zu erlernende Sprachen wie Python eine komfortable Nutzung durch Anwender erlauben.

Konkrete Themen orientieren sich stark an aktuellen Forschungsfragen und werden daher erst am Einführungstermin vorgestellt. Beispiele können Sie in der Liste der letzten Jahre finden. Wir stehen außerdem interessanten Themenvorschlägen offen gegenüber.

Beachten Sie auch unsere allgemeinen organisatorischen Hinweise zu Projekten.

Das Projekt eignet sich für Studierende der Informatik in den Diplom- und Bachelorstudiengängen. Studierende anderer Studiengänge müssen die Anrechnung mit dem jeweiligen Prüfungsausschuss klären.

Interessierte Zuhörer sind auch herzlich willkommen.

• Anna Fuchs
• Dr. Jannek Squar

1. PFL auf Levante evaluieren ¹⁾ – Golo Schöberl
2. Lustre Monitoring Tools evaluieren ²⁾ – Jan Mägdefrau
3. NeuralGCM benchmarken ³⁾⁴⁾ – Samir Djavaheri
4. NeuralGCM benchmarken ⁵⁾⁶⁾ – Vincent Horndahl
5. Teilchensimulation mit Lennard-Jones-Potential ⁷⁾ – Hauke Schnau
6. Cloud Survey ⁸⁾ – Felix Wissel, Deniz Yusuf
7. (IO) pattern recognition ⁹⁾ – Dan Cardoz
8. Anwendung von KI zur Auswertung der U.S. SEC Enforcement- und Litigation-Datenbank ¹⁰⁾ – Mateen Khalid
9. Data LifeCycle tracking ¹¹⁾¹²⁾ – Conrad Langenbuch
10. Retraction Watch Database ¹³⁾ – Helen Schulz
11. Erweiterung PyDarshan ¹⁴⁾¹⁵⁾ – Georg Bismarck
12. Exploration OpenMP Offloading ¹⁶⁾ – Arian Hosseini
13. Datenreduktion mittels Deduplikation ¹⁷⁾¹⁸⁾ – Melissa Eisenburger
14. Leistungsanalyse und Optimierung der Kompressionsintegration in Lustre-Clients unter CPU-Last ¹⁹⁾ – Oskar Munz

1. Datenstrukturen von NetCDF und HDF5 und deren interne Filterverarbeitung ²⁰⁾²¹⁾ – Georg Bismarck
2. Lustre Architektur und Herausforderungen beim Monitoring (Fokus Layer) ²²⁾ – Jan Mägdefrau
3. Prozesspinning und NUMA-Performance: Auswirkungen von Kontextwechseln (Fokus IO) ²³⁾ – Oskar Munz

Bei einem allgemeinen Einführungstermin werden Grundlagen vermittelt. Außerdem werden die Teilnehmer in Gruppen eingeteilt und bekommen Themen zugewiesen.

Nach der Festlegung der Themen soll ein Projektplan erstellt und mit dem jeweiligen Betreuer diskutiert werden. Regelmäßige Zwischenbesprechungen und -präsentationen sowie eine Abschlusspräsentation dienen dazu die Ergebnisse den anderen Projektteilnehmern vorzustellen.

• 17.10.2024 Einführung und Themenvorstellung Orga
• 24.10.2024 Themenvergabe (kein Präsenztreffen)
• 28.11.2024 Zwischenpräsentation
• 19.12.2024 Zwischenpräsentation
• 23.01.2024 Seminar-Vorträge MA-Studis 12:00 - 14:00 Uhr
• 30.01.2024 Zwischenpräsentation/Endpräsentation