diff --git a/info_hpc.html b/info_hpc.html
index 02730ba185d25560e0c25952db5d418f2f49fe7f..c3b974c14ac4c11ca033877288a85198bfd85d6f 100644
--- a/info_hpc.html
+++ b/info_hpc.html
@@ -89,7 +89,9 @@
                             </div>
                             <div id="collapse6" class="card-body collapse" style="">
                                 <p>
-                                    Electromobility has profound economic and ecological impacts on human society. Much of the mobility sector's transformation is catalyzed by digitalization, enabling many stakeholders, such as vehicle users and infrastructure owners, to interact with each other in real-time. This article presents a new concept based on deep reinforcement learning to optimize agent interactions and decision making in a smart-mobility eco-system. The algorithm performs context-aware, constrained-optimization that fulfills on-demand requests from each agent. The algorithm can learn from the surrounding environment until the agent interactions reach an optimal equilibrium point in a given context. The methodology implements an automatic template-based approach via a CI/CD framework using a GitLab runner and transfers highly computationally intensive tasks over a high performance compute cluster automatically without manual intervention.
+                                    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">
                                 <br/>1. CA-Smart2Charge:Context-Aware optimal charging distribution using Deep Reinforcement Learning, BDIOT2020, the fourth international conference on Big Data, Singapore.