Resource-aware Research on Universe and Matter: Call-to-Action in Digital Transformation

Technisches Fazit: Ressourcenbewusste Forschung zu Universum und Materie: Call-to-Action im digitalen Wandel

Problemstellung
Der Beitrag adressiert den dringenden Konflikt zwischen den eskalierenden Rechenanforderungen der Forschung zu Universum und Materie (ErUM) und dem globalen Imperativ, Treibhausgasemissionen (THG) zu reduzieren, um Klimakipppunkte zu vermeiden. Während das Pariser Abkommen eine Reduktion der globalen Emissionen um 50 % innerhalb von sieben Jahren erfordert, verbraucht die digitale Infrastruktur, die die ErUM-Forschung unterstützt – gekennzeichnet durch massive Datenraten aus der Hochenergiephysik, Astrophysik sowie der Photon- und Neutronenwissenschaft – erhebliche Energiemengen. Die Autoren stellen fest, dass Rechenzentren derzeit etwa 1 % des globalen Energieverbrauchs ausmachen, eine Zahl, die mit wachsenden Datenmengen weiter steigen wird (z. B. von Terabit pro Sekunde an zukünftigen Einrichtungen wie dem Square Kilometre Array). Die Kernherausforderung besteht darin, wissenschaftlichen Fortschritt und Wissensgewinn zu erhalten, während der CO2-Fußabdruck von Computing, Speicherung und algorithmischer Verarbeitung drastisch reduziert wird.

Methodik
Diese Arbeit ist keine experimentelle Studie, sondern eine strategische Synthese, die auf einem dreitägigen Workshop im Mai 2023 basiert, an dem Wissenschaftler der ErUM-Data-Community in Deutschland sowie internationale Kooperationspartner teilnahmen. Die Methodik umfasste:

1. Strukturierte Beratung: Der Workshop wurde von zwölf vorformulierten Fragen geleitet (detailliert in Anhang A), die Hardware, Daten, Algorithmen, Energieversorgung und kulturelle Veränderungen abdeckten.
2. Portfolio-Entwicklung: Die Teilnehmer analysierten aktuelle Praktiken und identifizierten umsetzbare Maßnahmen in sechs spezifischen Bereichen: intelligente Datentransformation, Software-Engineering, Algorithmen/KI, Recheninfrastruktur, Ausbildung und institutionelle Unterstützung.
3. Kategorisierung nach Machbarkeit: Die identifizierten Maßnahmen wurden basierend auf dem für die Umsetzung erforderlichen Zeit- und Arbeitsaufwand kategorisiert: sofortig/kurzfristig, mittelfristig (einige Jahre) und langfristig (koordinierte Planung).
4. Kontextanalyse: Die Autoren integrierten bestehende Daten zum Energieverbrauch (z. B. PUE-Werte, spezifischer GWh-Verbrauch deutscher Rechenzentren) und Emissionssphären (Scope 1, 2 und 3), um ihre Empfehlungen in der technischen Realität zu verankern.

Hauptbeiträge
Der Beitrag schlägt ein umfassendes „Maßnahmenportfolio" vor, um die ErUM-Forschung in Richtung Nachhaltigkeit zu transformieren. Die Beiträge sind in sechs technische und organisatorische Bereiche gegliedert:

1. Intelligente Datentransformation:

   • Befürwortung von FAIR-Daten (Findable, Accessible, Interoperable, Reusable), um die Wiederverwendung zu maximieren und redundante Verarbeitung zu minimieren.
   • Vorschlag von „stream-basierten Modellen", bei denen Rohdaten online verarbeitet und verworfen werden, wenn sie keinen wissenschaftlichen Wert haben, anstatt alle Rohdaten zu speichern.
   • Empfehlung zur Optimierung der Speicherung von Zwischenergebnissen von Workflows (Snapshots), um Speicherkosten gegen den für die Neuberechnung erforderlichen Energieaufwand abzuwägen.

2. Software-Engineering und Datenanalyse:

   • Betonung des Übergangs von „Spaghetti-Code" zu professioneller, modularer und versionierter Software, um „Abandonware" zu verhindern und Reproduzierbarkeit sicherzustellen.
   • Forderung nach der Integration der Energieeffizienz als primäres Softwarequalitätsmerkmal neben Standard-Benchmarks.
   • Empfehlung zur automatisierten Parallelisierung, Vektorisierung und Anpassung an neue CPU-Architekturen (z. B. ARM, RISC-V), um die Energieeffizienz pro Operation zu verbessern.

3. Algorithmen und Künstliche Intelligenz (KI):

   • Hervorhebung des Potenzials von generativen Modellen und vortrainierten Modellen, rechenintensive Simulationen zu ersetzen (z. B. den Ersatz von Geant4-Detektorsimulationen durch tiefe generative Modelle, die um Größenordnungen schneller sind).
   • Argumentation für den strategischen Einsatz von KI nur dort, wo sie einen signifikanten wissenschaftlichen Nutzen oder Ressourceneinsparungen bietet, mit Warnung vor dem „Rebound-Effekt", bei dem Effizienzgewinne zu einem erhöhten Gesamtverbrauch führen.
   • Betonung der Notwendigkeit, den CO2e-Fußabdruck sowohl der Trainings- als auch der Inferenzphasen von Machine-Learning-Modellen zu dokumentieren.

4. Computing und Infrastruktur:

   • Vorschlag, Rechenzentren so zu verlegen, dass sie mit erneuerbaren Energiequellen ko-lokalisiert sind (z. B. Offshore-Windparks), um direkte Stromversorgung zu nutzen und Übertragungsverluste zu reduzieren.
   • Empfehlung für dynamische Workload-Planung, bei der Rechenressourcen basierend auf der Verfügbarkeit erneuerbarer Energien in Echtzeit hoch- oder herunterskalieren (z. B. „malleable jobs").
   • Empfehlung zur Verlängerung der Hardware-Lebensdauer (über die typischen 5 Jahre hinaus), wo machbar, um den CO2-Fußabdruck der Herstellung (Scope 3) zu amortisieren, sowie zur Wiederverwendung von Abwärme für Fernwärme.
   • Forderung nach verbesserter Power Usage Effectiveness (PUE) und Implementierung von Energiespeicherlösungen zur Pufferung gegen die Volatilität erneuerbarer Energien.

5. Ausbildung und Kultur:

   • Identifikation des Bedarfs an neuen Lehrplänen, um Wissenschaftler in nachhaltigen digitalen Praktiken zu schulen, einschließlich ressourcenbewusstem Coding und den ethischen Implikationen von KI.
   • Befürwortung eines kulturellen Wandels, bei dem Forscher den Wissensgewinn aktiv gegen den Ressourceneinsatz abwägen.

6. Förderung und institutionelle Unterstützung:

   • Forderung an Förderagenturen, langfristige Positionen für Software- und Datenmanagement zu unterstützen und CO2e-Fußabdruckbewertungen in die Projektplanung einzubeziehen.

Ergebnisse und vorgeschlagene Maßnahmen
Das Hauptergebnis des Beitrags ist Tabelle 2, eine priorisierte „Call-to-Action"-Liste, kategorisiert nach dem Umsetzungszeitraum:

• Sofortig/Kurzfristig: Sensibilisierung, Überwachung des Energieverbrauchs auf Job-Ebene und Berücksichtigung von CO2-Fußabdrücken in der Projektplanung.
• Mittelfristig (einige Jahre): Implementierung von FAIR-Daten-Praktiken, Optimierung von Software auf Energieeffizienz, Einführung von Workflow-Management und Entwicklung von Tools zur Ressourcenüberwachung.
• Langfristig: Einrichtung von Rechenzentren in der Nähe erneuerbarer Energiequellen, Entwicklung dynamischer Middleware für energiebewusste Planung und Optimierung von Hardware-Lebenszyklen.

Der Beitrag liefert zudem spezifische technische Daten, wie die Aufschlüsselung des Energieverbrauchs von CERN (55 % Verarbeitung, 21 % Festplattenspeicher) und das Potenzial, den Stromverbrauch von Knoten durch Taktraten-Drosselung um 50 % zu senken.

Bedeutung und Behauptungen
Die Autoren behaupten, dass die ErUM-Community über die Werkzeuge und das Fachwissen verfügt, einen realistischen Plan zur Reduktion von CO2e-Emissionen zu entwickeln, ohne wissenschaftlichen Fortschritt zu opfern. Sie argumentieren, dass Nachhaltigkeit nicht nur eine ökologische Einschränkung ist, sondern ein Treiber für Innovation in Algorithmen, Softwarearchitektur und Infrastrukturmanagement.

Der Beitrag stellt fest, dass der Übergang einen „schwierigen, aber unvermeidlichen" Wandel in Haltung und Verhalten auf allen Ebenen der wissenschaftlichen Gemeinschaft erfordert. Er positioniert das vorgeschlagene Maßnahmenportfolio als notwendigen Rahmen, um die digitale Transformation der ErUM-Forschung mit den Zielen des Pariser Abkommens in Einklang zu bringen. Die Autoren schließen, dass die Community durch das bewusste Abwägen von potenziellem Wissensgewinn gegen Ressourcennutzung Effizienzgewinne erzielen kann, die letztlich den wissenschaftlichen Fortschritt beschleunigen, während die für das Leben notwendigen planetaren Bedingungen bewahrt werden.