Bitte wählen Sie den gewünschten Projektzeitraum:
- Juli 2026
- Januar 2026
- Juli 2025
- Januar 2025
- Juli 2024
- Januar 2024
- Juli 2023
- Januar 2023
- Juli 2022
- Januar 2022
- Juli 2021
- Januar 2021
- Juli 2020
- Januar 2020
- Juli 2019
- Januar 2019
- Juli 2018
- Januar 2018
- Juli 2017
- Januar 2017
- Juli 2016
- Januar 2016
- Juli 2015
- Januar 2015
- Juli 2014
- Januar 2014
- Juli 2013
- Januar 2013
- Juli 2012
- Januar 2012
- Juli 2011
- Januar 2011
- Juli 2010
- Januar 2010
- Juli 2009
- Januar 2009
- Juli 2008
- Januar 2008
- Juli 2007
- Januar 2007
- Juli 2006
- Januar 2006
- Juli 2005
- Januar 2005
- Juli 2004
- Januar 2004
- Juli 2003
- Januar 2003
- Juli 2002
- Januar 2002
- Juli 2001
- Januar 2001
Förderbeginn 01.01.2025
Nachhaltige Berechnungsverfahren und adaptive Algorithmen für die GPU-beschleunigte Vorhersage von Klima- und Wetterauswirkungen
Prof. Dr. Michael Schlottke-Lakemper
Universität Augsburg
Chair of High-Performance Scientific Computing
Prof. Frank Giraldo
Naval Postgraduate School - NPS
Department of Applied Mathematics
Die prädiktive Modellierung von Extremwetterereignissen ist ein zentrales Instrument, um die Auswirkungen des Klimawandels sowohl auf regionaler als auch auf globaler Ebene anzugehen. Regionen wie Kalifornien und Bayern stehen vor enormen Herausforderungen aufgrund der zunehmenden Häufigkeit solcher Ereignisse. Durch den Einsatz prädiktiver Simulationsmethoden können regionale und kommunale Behörden klimaresiliente Infrastrukturen besser planen und angemessen dimensionieren. Allerdings sind großskalige, hochaufgelöste numerische Simulationen äußerst rechenintensiv und erfordern fortschrittliche rechnergestützte und mathematische Methoden, um regionale Klimaauswirkungen effizient vorhersagen zu können. Um diesem Bedarf gerecht zuwerden, arbeitet unser Projekt daran, das Julia-basierte Simulationsframework Trixi.jl so zu erweitern, dass lokale Extremwetterereignisse mithilfe lösungsadaptiver Algorithmen auf GPU-basierten Supercomputern simuliert werden können. Zudem wird die Integration von Machine Learning und automatischer Differenzierung Sensitivitätsanalysen erleichtern und die Entwicklung noch anspruchsvollerer Surrogatmodelle ermöglichen.