Hörnstensteknologier

Big data-behandling för experimentell kolliderarfysik

Vi arbetar med mjukvara och databehandling för storskalig dataanalys inom partikelfysik, särskilt genom CERN och ATLAS-experimentet vid LHC. Våra aktiviteter sträcker sig från utveckling av infrastruktur – inklusive underhåll av Advanced Resource Connector (ARC) middleware som används globalt i Worldwide LHC Computing Grid (WLCG) – till praktiska bidrag inom databehandling och mjukvaruutveckling för ATLAS. Vi stödjer Nordic Tier 1 (NT1)-klustret och bidrar till ATLAS mjukvaruramverk (ATHENA), där vi utvecklar strategier för att hantera de enorma datamängder som förväntas från den kommande High-Luminosity LHC (HL-LHC). Slutligen är vi också aktiva inom ML/AI, till exempel i NextGen Triggers-projektet vid CERN, där AI, neurala nätverk och kvantinspirerade algoritmer används för att förbättra datafiltrering och upptäckt av sällsynta händelser.

Långsiktigt projekt, period 2010-pågående
PI/kontaktperson: Rebeca Gonzalez Suarez
Lärosäte: Uppsala universitet
Experimentell kolliderarfysik

Tillämpad Beräkningsvetenskap och Högprestandaberäkningar

Inom Beräkningsvetenskap utvecklas metoder och algoritmer för att modellera, simulera och analysera komplexa system med hög precision och prestanda. Forskningen spänner från grundläggande numeriska algoritmer och osäkerhetsanalys till specialanpassade lösningar för exempelvis kvantfysik, livsvetenskaper och flödesdynamik -- ofta i kombination med avancerade beräkningsmiljöer som moln och högprestandadatorer. Fokus ligger på tillförlitliga, effektiva och skalbara metoder för datadrivna och beräkningsintensiva tillämpningar.

Långsiktigt projekt, period 2010-pågående
PI/kontaktperson: Stefan Engblom
Lärosäte: Uppsala universitet
Applied scientific computing
High-performance computing

Dataanalys och smart beslutsfattning

Dataanalys behandlar insamling, lagring och analys av observerad komplex data, i syfte att upptäcka mönster och göra förutsägelser. Smart beslutsfattning behandlar modellering av villkorade beslutsproblem, i syfte att köra en modell med indata i en standardlösare. I detta program utvecklar vi e-science metoder som stödjer hela kedjan: från data till beslut.

Långsiktigt projekt, period 2010-pågående
PI/kontaktperson: Pierre Flener
Lärosäte: Uppsala universitet
Dataanalys: Skapa värde genom data
Optimering: Att fatta bättre beslut

AI2TWIN – retrieving digital twins using physics-informed AI for in-situ and operando imaging reconstructions

Detta projekt syftar till att effektivisera utvecklingen av digitala tvillingar från komplexa in-situ- och operandoexperiment som utförs vid storskaliga anläggningar som MAX IV i Lund. Detta innebär utveckling av: i) nya AI-baserade fysikinformerade neurala nätverk (PINN) för att rekonstruera de underliggande fysiska lagarna direkt från experimentella data och ii) optimala strukturbevarande finita elementmetoder (FEM) för att testa och överföra dessa lagar till faktiska digitala tvillingar.

Period: 2025–2026
PI/kontaktperson: Robert Klöfkorn
Lärosäte: Lunds universitet

Flow problems in porous media: Modelling, approximation and implementation

I detta projekt vill vi kombinera dessa tre huvudmål:
(A) Utveckling av en modell för bedömning av prestanda vid grundvattensanering. (B) Konstruktion och analys av moderna tidsstegningsmetoder. (C) Effektiv implementering av tidsstegsmetoderna för relevanta problem.

Period: 2023–2025
PI/kontaktperson: Monika Eisenmann
Lärosäte: Lunds universitet

High-Performance and Automatic Computing*

Långsiktigt projekt, period 2010-pågående
PI/kontaktperson: Paolo Bientinesi
Lärosäte: Umeå universitet
High-Performance and Automatic Computing

Målet är att ge domänexperter verktyg för att generera högpresterande algoritmer och kod med minimal eller ingen mänsklig inblandning. Fokus ligger på domänspecifika språk, kompilatorer och bibliotek för matris- och tensorkomputationer.

*Tidigare namn "Parallell och vetenskaplig beräkning: teori, algoritmer och programvara"

Virtuell IT-infrastruktur (clouds & grids) för eVetenskap

Långsiktigt projekt, period 2010-pågående
PI/kontaktperson: Erik Elmroth
Lärosäte: Umeå universitet
Cloudresearch

Detta projekt omfattar (semi-)autonom förvaltning av infrastruktur och applikationer för distribuerade beräkningsmiljöer. Den ständigt ökande skalan, komplexiteten samt behovet av effektivitet och tillförlitlighet utgör en utmaning. Målet är att höja abstraktionsnivån för infrastruktursägare, applikationsutvecklare och slutanvändare, samtidigt som e-vetenskaplig forskning stärks genom nästa generations metoder och verktyg.

Multiscale Modeling of Dynamical Systems

Period: 2023–2024
PI/kontaktperson: Mats G. Larson, Karl Larsson
Lärosäte: Umeå universitet

Computational design optimization of devices for wave propagation in lossy materials

Period: 2023–2024
PI/kontaktperson: Martin Berggren, Emaldeen Hassan
Lärosäte: Umeå universitet

A novel method to transform the modeling of global lake
ecosystem dynamics using Model Order Reduction

Period: 2025–2026
PI/kontaktperson: Cristian Gudasz (UMU), Philipp Birken (LU), Mengwu Guo (LU)
Lärosäte: Umeå universitet

Accurate volumetric reconstructions from state-of-the-art observations

Period: 2025–2026
PI/contact: Maria Hamrin (UMU), Juan Carlos Araujo-Cabarcas (UMU), Eddie Wadbro (Karlstad), Jakub Vaverka (UMU)

University: Umeå University