info_hpc.html

<!DOCTYPE html>
<html>

<head>
    <meta charset="utf-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0, shrink-to-fit=no">
    <title>Infos zur Hochleistungsrechnen</title>
    <link rel="stylesheet" href="/css/bootstrap.min.css">
    <link rel="stylesheet" href="/css/m4lab.css">
    <link rel="stylesheet" href="/fonts/font-awesome.min.css">
    <link rel="stylesheet" href="/fonts/ionicons.min.css">
    <link rel="stylesheet" href="/css/Testimonials.css">
    <link rel="stylesheet" href="/css/help.css">
    <link rel="stylesheet" href="https://use.fontawesome.com/releases/v5.8.2/css/all.css" integrity="sha384-oS3vJWv+0UjzBfQzYUhtDYW+Pj2yciDJxpsK1OYPAYjqT085Qq/1cq5FLXAZQ7Ay" crossorigin="anonymous">
</head>

<body>

    <div style="background-color: #dadada;">
        
        <div class="container" style="background-color: #ffffff;margin-bottom: 30px;">
            <div class="row">
            </div>
       </div> 
        <div id="Gitlab_Text" style="margin-top: 40px;margin-bottom: 30px;">
            <div class="container" style="background-color: #ffffff;">
                <div style="margin-bottom: 0;padding-top: 20px;padding-bottom: 20px;">
                    <div class="col-lg-12">
                        <h2 class="d-flex flex-column flex-shrink-1 justify-content-lg-start text-center" style="padding-top: 15px;color: #708090;"><strong>Hochleistungsrechnen</strong></h2>
                    </div>
                    <div class="col-auto flex-row flex-grow-1 flex-fill" style="background-color: #ffffff;">
                        <p> Das Hochleistungsrechen (englisch: high-performance computing, HPC) ist eine Technologie, die Rechenarbeiten ermöglicht, welche einen hohen Bedarf an Rechenleistung oder Speicherkapazität haben. Somit können umfangreiche Modelle, Algorithmen oder auch Simulationen in deutlich kürzerer Zeit ausgeführt werden als es auf herkömmlichen Computersystemen möglich ist.

                            Das Land BW stellt unter Beteiligung mehrerer Universitäten und Hochschulen – darunter auch der HFT Stuttgart – eine Hochleistungsrechenplattform bereit, den BW HPC Cluster.
                            
                        </p>
                    </div>
                    <a class="btn btn-primary text-center d-inline-flex d-lg-flex flex-column flex-grow-1 flex-shrink-1 flex-fill justify-content-between align-items-baseline align-content-center align-self-baseline flex-wrap order-3 mb-auto justify-content-md-center align-items-md-end align-items-lg-center justify-content-xl-center mx-auto"
                            role="button" style="background-color: #E0001B;" href="https://www.bwhpc.de/"><strong>Zugriff auf die Hochleistungsrechnenplatform</strong></a>
                </div>
            </div>
        </div>
        
    <div id="Projects_Text" style="margin-top: 10px;margin-bottom: 30px;">
        <div class="container" style="background-color: #ffffff;">
            <div style="margin-bottom: 0;padding-top: 20px;padding-bottom: 20px;">
                <div class="col-lg-12">
                    <h2 class="d-flex flex-column order-1 justify-content-lg-start text-center" style="padding-top: 15px;color: #708090;"><strong>Beispielprojekte der HFT Stuttgart auf der Hochleistungsrechnenplatform</strong></h2> 
                </div>
                <div class="col-auto" style="background-color: #ffffff;">
                    <div class="help">
                        <div class="card">
                            <div class="card-header">
                                <h3 class="card-title">
                                    <a class="collapsed" data-toggle="collapse" href="#collapse7" aria-expanded="false" aria-controls="collapse7">
                                        <small>HPC: Vehicle Detection using Machine Listening and Deep Learning</small></a>
                                </h3>
                            </div>
                            <div id="collapse7" class="card-body collapse" style="">
                                <p>
                                   In einer Masterarbeit in der Akustikgruppe der HFT Stuttgart wurde für eine Beurteilung des Verkehrsaufkommens der Einsatz einer automatischen Erkennung von Straßengeräuschen wie Motoren, Passanten und Umweltgeräuschen untersucht. Durch Verwendung des maschinellen Lernens, genauer dem s.g. Deep Learning, sollten unterschiedliche Fahrzeuge anhand der akustischen Signale erkannt und unterschiedlichen Fahrzeugkategorien (z.B. Leicht-, Mittel-, Schwerfahrzeuge, Schienenfahrzeuge, Zweiräder) zu geordnet werden. Um die Berechnungszeit für das Deep Learning zu verkürzen, wurden die Berechnungen auf dem HPC Cluster durchgeführt, wobei mittels paralleler Programmierung eine Vielzahl von Rechenknoten auf dem Cluster genutzt wurden.
                                    <br/>for more information click <a href="https://transfer.hft-stuttgart.de/pages/sharif/akustikimobi/home/" > hier</a>
                                </p>
                                <img style="width:100%" src="/img/hpc/acoustic.png" alt="template based approach">
                                </div>
                        </div>
                    </br>
                        <div class="card">
                            <div class="card-header">
                                <h3 class="card-title">
                                    <a class="collapsed" data-toggle="collapse" href="#collapse5" aria-expanded="false" aria-controls="collapse5">
                                    <small>Planung von verteilten Energiesystemen im urbanen Maßstab (in Arbeit)</small></a>
                                </h3>
                            </div>
                            <div id="collapse5" class="card-body collapse" style="">
                                <p>
                                    Das Verhalten von Energie-Prosumenten in einem Energieverbund ist ein kritischer Aspekt für die effiziente Verteilung der Energieressourcen, wie z.B. erneuerbaren Energieerzeugern, sowie für die Erreichung ambitionierter Klima- und Wirtschaftsziele. Ein üblicher Ansatz lokaler Energieverteilungsplattformen geht von vielen Prosumenten und einem Agenten aus, welcher den Energietransfer zwischen den Prosumenten koordiniert. Dieser koordinierende Agent, üblicherweise als Marktagent bezeichnet, handelt auf Basis eines Regelwerks durch welches ein Energieüberschuss eines Prosumenten mit einem Defizit eines anderen ausgeglichen werden kann. In einer Studie wurde eine neuartige agentenbasierte Modellierung der Interaktionen zwischen den Prosumenten in einem Energieverbund entwickelt und evaluiert. Das Ziel dieser Strategie ist es, sowohl die individuelle Ausnutzung erneuerbarer Energien pro Prosument als auch die gemeinschaftliche Ausnutzung im gesamten Verbund zu maximieren, indem der Agent den Energietransfer zwischen den Prosumenten orchestriert. Da es sich bei dieser Aufgabe um ein rechenintensives Optimierungsproblem handelt, kommt der HPC Cluster zum Einsatz.
                                </p>
                                <img style="width:100%" src="/img/hpc/concept.png" alt="Energy co-planning">
                            </div>
                        </div>
                        <br/>
                        <div class="card">
                            <div class="card-header">
                                <h3 class="card-title">
                                    <a class="collapsed" data-toggle="collapse" href="#collapse6" aria-expanded="false" aria-controls="collapse6">
                                    <small>Kontextabhängiges Smart2Charge (in Arbeit)</small></a>
                                </h3>
                            </div>
                            <div id="collapse6" class="card-body collapse" style="">
                                <p>
                                    Die Elektromobilität hat einen tiefgreifenden wirtschaftlichen und ökologiscen Einfluss auf unsere Gesellschaft. Ein Großteil der Transformation im Mobilitätssektor wird durch die Digitalisierung vorangetrieben, indem diese echtzeitfähige Interaktionen zwischen den unterschiedlichen Beteiligten, wie z.B. Fahrzeugnutzern und Infrastrukturbetreiber, ermöglicht. In einer Studie wird ein neues, auf dem s.g. Deep Reinforcement Learning basierendes Konzept für die Optimierung solcher Interaktionen und Entscheidungsprozessen zwischen den Beteiligten in einem Smart-Mobility Ecosystem untersucht. Der hierbei entwickelte Algorithmus löst dabei kontextbezogene, beschränkte Optimierungsprobleme zur Erfüllung von Anfragen der Beteiligten. Dabei lernt der Algorithmus von der Umgebung und den Interaktionen bis sich für den jeweils betrachteten Kontext ein optimales Gleichgewicht bei der Erfüllung der Anfragen einstellt. 
Um dieses rechenintensive Problem zu lösen, läuft der Algorithmus auf dem HPC Cluster unter Verwendung des oben genannten, bereit gestellten Templates.


                                </p>
                                <img style="width:100%" src="/img/hpc/ucicity2021.png" alt="casmart2charge">

                            </div>
                        </div>
                        <br/>
                        
                      
                </div>
            </div>
        </div>
    </div>
</div>
    <div class="container" style="background-color: #ffffff;margin-bottom: 30px;">
        <div class="row">
        </div>
    </div> 
</div>

<script src="https://code.jquery.com/jquery-3.3.1.slim.min.js" integrity="sha384-q8i/X+965DzO0rT7abK41JStQIAqVgRVzpbzo5smXKp4YfRvH+8abtTE1Pi6jizo" crossorigin="anonymous"></script>
<!--<script src="https://cdnjs.cloudflare.com/ajax/libs/popper.js/1.14.7/umd/popper.min.js" integrity="sha384-UO2eT0CpHqdSJQ6hJty5KVphtPhzWj9WO1clHTMGa3JDZwrnQq4sF86dIHNDz0W1" crossorigin="anonymous"></script>-->
<script src="https://stackpath.bootstrapcdn.com/bootstrap/4.3.1/js/bootstrap.min.js" integrity="sha384-JjSmVgyd0p3pXB1rRibZUAYoIIy6OrQ6VrjIEaFf/nJGzIxFDsf4x0xIM+B07jRM" crossorigin="anonymous"></script>
<script src="/js/headfoot.js"></script>
</body>

</html>