KIT-Hochleistungsrechner optimiert Materialien für die Medizintechnik

Mit einem neuen Hochleistungsrechner für Materialforschung können am Karlsruher Institut für Technologie (KIT) jetzt Eigenschaften von Materialien noch vor ihrer Herstellung untersucht werden. Der 1,2-Millionen-Euro-Computer ermöglicht Optimierung unter anderem der COVID-Schnelltests.

 Dr.-Ing. Michael Selzer vom Institut für Angewandte Materialien (IAM) betreut die Entwicklung der Hochleistungssoftware und entwickelt parallel dazu am Institut für Nanotechnologie (INT) das Forschungsdatenmanagement Kadi4Mat (Karlsruhe Data Infrastructure for Materials Science). Im Interview mit COMPAMED.de schildert er die Möglichkeiten des Rechners.

Wie funktioniert dieser Hochleistungsrechner?

Dr.-Ing. Michael Selzer: Es werden mehrere Rechner im Verbund geschaltet und durch ein Hochleistungsnetzwerk verbunden. Die Rechenleistung entspricht der von 10.000 Laptops. Dafür müssen Algorithmen entwickelt werden, die ein Problem in entsprechende Teilprobleme zerlegen, und diese auf verschiedene Knoten verteilen. Durch das Netzwerk werden die Zwischenergebnisse untereinander ausgetauscht.

Die Software wird seit 25 Jahren von uns entwickelt. Sie umfasst etwa eine Million Programmzeilen, 60 Mitarbeitende widmen sich der Entwicklung der physikalischen Modelle und der Software. Besonders aufwendig sind Aufgaben mit einer 3D-Fragestellung. Die sind nur durch HPC-Systeme (High Performance Computing) schnell lösbar.

Anspruchsvoll sind insbesondere strömungsabhängige Größen, zum Beispiel die Berechnung der Eigenschaften von Membranstrukturen in der Medizintechnik, die man in Schwangerschaftstests findet oder in COVID-Tests. Wir untersuchen durch Simulationen, wie verschiedene Varianten der Membranstruktur den Testvorgang beeinflussen.

Welche Werte müssen eingegeben werden, um eine Materialprognose zu erhalten?

Selzer: Die Modelle, die wir einsetzen, die sind alle physikalisch. Das heißt, es gibt Gleichungen, die das Verhalten basierend auf Naturgesetzen beschreiben. Dazu gehen Materialkoeffizienten ein, die aus unterschiedlichen Methoden gewonnen werden. Das können simulative Methoden sein, atomistische oder fundamentale Methoden, die Parameter liefern. Es werden auch experimentell bestimmte Parameter verwendet, die Unsicherheiten beinhalten.

Wie konnte der COVID-19 Schnelltest im Testversuch durch den Rechner verbessert werden?

Selzer: Wir haben die Flüssigkeitsausbreitung in den Teststreifen untersucht: Welche geometrischen Eigenschaften, welche Benetzungseigenschaften hat die Membran mit der entsprechenden Struktur? Für die Qualität des Tests ist wichtig, wie schnell eine Flüssigkeit in der Membran auf eine bestimmte Höhe ansteigt. Diese Geschwindigkeit beeinflusst die Reaktionsmöglichkeiten der Testflüssigkeit.

Ein ähnliches Verhalten kennen wir von Schwangerschaftstests, Drogentests und Zuckertests bei Diabetes. Alle diese Anwendungen haben unterschiedliche Anforderungen, weil sie unterschiedlich funktionieren. Es wird eine Art Portfolio an Materialien benötigt, das wir jetzt aufbauen. In einer Strukturdatenbanken kann man dann wie in einem Katalog nachsehen, welche Membran für welche Anwendung am besten geeignet ist.

Welche Rolle spielt die KI in diesem Aufbau?

Selzer: Beim Aufbau solcher Datenbanken nutzt man die Möglichkeit, maschinelles Lernen anzuwenden. Damit können wir uns gezielter durch die Parameterräume bewegen. Mit Änderungen an der Geometrie oder den chemischen Benetzungsmitteln können wir an vielen Stellschrauben drehen. Da das sehr viel Zeit in Anspruch nimmt, versuchen wir durch maschinelles Lernen gezielter Variationen zu erarbeiten. Dazu müssen die Daten strukturiert vorliegen, denn nur so kann die Bestimmung von Parametervariation automatisiert werden.

Können wir Parameter schnell und zielgerichtet vorhersagen, führt das zu einer Beschleunigung der Materialentwicklung und zu einer effektiveren Nutzung von Kosten und Ressourcen und bedeutet mehr Nachhaltigkeit.