Climate-HPC-MLDie Klimaforschung besticht durch vielseitige Problemstellungen unseres Klimasystems, die bereits durch eine Vielzahl computergestützten Analysen in der Numerik und Statistik am DKRZ umgesetzt werden. Durch ML-Technologien können nun sowohl neue als auch bestehende Forschungsansätze mit entsprechender Hardware am DKRZ untersucht werden. Das DKRZ bietet bereits jetzt Forschung und Support in dem Bereich an und wird das Thema mit entsprechender Software und Hardware weiter vertiefen.

 

 

ML-Forschungsgruppe

ml-reconstructing-climateModerne ML-Methoden sollen für die Klimawissenschaften auf dem Hochleistungsrechner des DKRZs erforscht, transferiert, weiterentwickelt und der Klima-Community zur Verfügung gestellt werden. Ein Fokus liegt auf der Verschmelzung mit der Erdsystemmodellierung, um zum Beispiel Klimavorhersagen zu verbessern, aber auch fehlende Klimaaufzeichnungen zu rekonstruieren.

Mit der Forschungsgruppe "Climate Informatics and Technologies" wird am DKRZ eine besondere Schnittstelle zwischen Klima- und KI/ML-Forschung entstehen.

  • Schnittstelle zwischen ML und Klimawissenschaft
  • ML für die DKRZ Hochleistungsrechner-Infrastruktur
  • Wissenstransfer und Methodenforschung für die Klima-Community
  • Bereitstellung von neuesten ML-Technologien für KlimawissenschaftlerInnen

Helmholtz-AI-Unterstützungsteam AIM

nn-example-architectureDas durch die Helmholtz-Gemeinschaft finanzierte Helmholtz-AI-Unterstützungsteam AIM am DKRZ arbeitet an und mit Verfahren aus dem Bereich Machine Learning (ML) und Künstlicher Intelligenz (AI) im Bereich der Klima- und Umweltforschung. Als Teil von Helmholtz AI, einer breit angelegten anwendungsgetriebenen Initiative, unterstützt das AIM-Team Forschende aus verschiedenen Zentren der Helmholtz-Gemeinschaft in der Einführung, Evaluation und dem praktischen Einsatz von ML/AI-Technologien.

  • Unterstützung bei Implementierung von ML-Verfahren für Anwendungsfälle im Themenbereich Erde & Umwelt
  • Performanceoptimierung und Hilfestellung bei Nutzung von GPU-Rechenknoten durch ML-Verfahren in Python
  • Optimierung von Daten, die für das Training von ML-Anwendungen eingesetzt werden sollen
  • Beratung zu Methoden und Anforderungen von ML-Verfahren

GPU-server für ML

Vis-Nodes_MistralDie GPU-Partition des DKRZ ist mit NVidia-GPUs und besserem Hauptspeicherausbau besonders gut für die Berechnung von ML Algorithmen geeignet. Die direkte Anbindung an das parallele Dateisystem erspart zudem zeitaufwändige Datei-Transfers.
Durch die Anbindung der Jupiter Notebooks ist die GPU-Partition auch nutzerfreundlich und interaktiv ansprechbar.

Hilfeseiten und Informationen

Informationen zum praktischen Einsatz von ML am DKRZ finden Sie in unserern Docs.

Ansprechpartner

Bei Fragen nehmen Sie auch gerne Kontakt auf per e-Mail an die DKRZ-Nutzerberatung.