Motivation
High-Performance Computing (HPC) gehört heute in vielen wissenschaftlichen Disziplinen zu den grundlegenden Forschungsmethoden. Höchstleistungsrechner erreichen seit diesem Jahr die Exaflop-Leistungsklasse (mindestens 1018 Operationen pro Sekunde). Damit Anwendungen die Leistung von Exascale-Systemen effizient ausnutzen können, muss die Skalierbarkeit auf sehr großen und heterogenen Systemen verbessert werden. Eine Vielzahl von Komponenten sind für moderne Höchstleistungsrechner notwendig: vom Prozessor über Datenspeicher und Dateisystem bis zu Software und Algorithmen. Für alle diese Komponenten sind auch neue Technologien und Anpassungen an bestimmte Anwendungen und Schnittstellen notwendig.Ziele und Vorgehen
Ziel des Vorhabens ist es, mittels einer Kombination von klassischen diskreten Algorithmen und Methoden des maschinellen Lernens (ML) die Berechnung des ICON-O Ozeanmodells um mindestens Faktor vier zu beschleunigen. Über die Laufzeitreduktion hinaus wird dieser Ansatz so auch deutlich bessere Skalierbarkeit auf heterogenen Systemen ermöglichen, ohne an Genauigkeit und Qualität der Simulation zu verlieren. Diese innovativen Spectral-Deferred-Correction-Methoden (SDC) haben zudem die Eigenschaft, dass sie Beschleuniger und modulare Höchstleistungsrechner effizienter nutzen als einfache numerische Verfahren allein dies könnten.Innovationen und Perspektiven
Innovativer Kern des Vorhabens ist die Verbindung von ML-Techniken mit klassischer Simulation und die Verwendung von neuen Methoden zur Zeitintegration. Dies ermöglicht eine höhere Parallelität bei der Berechnung von Simulationen und somit eine deutliche Verkürzung der Rechenzeit. Moderne Höchstleistungsrechner können so viel effizienter und ressourcenschonender genutzt werden.
