Das Kursangebot erweitert sich mit jeder Auswahlrunde. In dieser Übersicht sind neue sowie ausgewählte Kurse der aktuellen Runde gelistet. Einen vollständigen Überblick über das gesamte aktuell verfügbare Angebot bietet die Tabelle auf unserer Homepage und auf der Seite RIRO-Grants.
Die Wettervorhersagekette – ein integrierter Ansatz
| Ansprechpersonen | Prof. Knippertz; Dr. Quinting, Dr. Oertel |
| Studiengänge | Master in Meterology and Climate Physics |
| Infrastrukturen | KITcube, TEEMLEAP |
| Anzahl der Teilnehmenden | ausgelegt für 10 |
| Geplant ab | Sommersemester 2026 |
Als Teil des meteorologischen Praktikums erfahren Masterstudierende die gesamte Wettervorhersagekette, deren einzelne Komponenten sie sonst in separaten Lehrveranstaltungen kennenlernen. Studierenden wird die Gelegenheit geboten mit der mobilen Beobachtungsplattform KITcube eigenständig Wetterdaten zu sammeln, diese im „TEstbed for Exploring Machine LEarning in Atmospheric Prediction“ (TEEMLEAP) zu assimilieren und auf Hochleistungsrechnern des KIT eigene Wettervorhersagen zu rechnen. Es kommen numerische und KI-basierte Modelle zum Einsatz, so dass die Studierenden die Vorhersagegüte und Rechenkosten direkt vergleichen können. Die gewonnenen Erkenntnisse werden auf Gitlab und in Form eines Abschlussberichts festgehalten.
Computational Fluid Dynamics and Simulation Lab, Modelling, Algorithms, Simulation
| Ansprechpersonen | Dr. Simonis, PD Dr. Krause, PD Dr. Thäter, Dr. Hörter, Prof. Frank |
| Studiengänge | alle Mathematik- und Ingenieursstudiengänge (insb. Verfahrenstechnik), sowie Computational and Data Science (auch offen für Promovierende) |
| Infrastruktur | Tier-2 Rechensystem HoreKa, Tier-3 Rechensystem BwUniCluster |
| Anzahl der Teilnehmenden | im Praktikum bis zu 50, im Seminar 20 |
| Geplant ab | Wintersemester 2025/26 |
Konzept aus zwei aufeinander abgestimmten Veranstaltungen bestehend aus einem Praktikum und einem darauffolgenden Seminar – Fokus auf mathematisch-technischen Fragestellungen.
Praktikum: Vermittlung ganzheitlicher Lösungsansätze bestehend aus mathematischer Modellierung, numerischer Mathematik, HPC, Visualisierung, Optimierung und Simulationsdatenanalyse für Transportprobleme, zum Beispiel aus der Fluiddynamik. Anschließend nutzen Studierende die erlernten Fähigkeiten in eigenen Projekten interdisziplinär, um Fragestellungen aus der aktuellen Forschung zu beantworten. Mehr Informationen zu den Inhalten hier.
Seminar: HPC-Kenntnisse der Studierenden werden weiter vertieft und die Anwendungsfelder erweitert. Studierende lernen eigenständig Simulationen auszuführen und dabei vor allem auf Effizienz und Nachhaltigkeit ihres Codes zu achten. Gemeinsam mit den HPC-Experten des SCC arbeiten die Teilnehmenden an aktuellen Forschungsthemen aus den Ingenieurs-, Klima- und Materialwissenschaften. Mehr Informationen zu den Inhalten hier.
KI basierte chemische Biologie
| Ansprechperson | Prof. Schepers |
| Studiengänge | Chemische Biologie, Potentielle Ausweitung auf Informatik, Verfahrenstechnik |
| Infrastruktur | 3ROCKIT (Helmholtz Acceleration Alliance) |
| Anzahl der Teilnehmenden | x |
| Geplant ab | Wintersemester 2025/26 |
Ansatz der Self Driving Labs (SDLs) – autonome robotergesteuerte FSI integriert in das neu aufgesetzte Wahlpflichtfach Biophysik (Praktikum & VL) & Vertiefersfach in der Chem. Biologie
Wahlpflichtfach: Praktikum von 6 Wochen – Studierende lernen die Implementierung von Hardware/Software-Kommunikation, Datenbankintegration & Programmieren – begleitet von 2 Vorlesungen (wobei hier eine Auswahl besteht, die iRd. RIRO Projekts durch zwei Vorlesungen erweitert wird)
Vertieferfach: Inhalte aus dem Wahlpflichtfach werden iRv. 6-wöchigen Praktikum in einer eigenständigen kleinen Forschungsarbeit an der SDL-Infrastruktur vertieft
Advanced DeepLearning in Environmental Sciences
| Ansprechpersonen | Prof. Kunstmann; Dr. Fersch, Dr, Chwala, Prof. Hinz |
| Studiengänge | Master in Remote Sensing und Geoinformatics |
| Infrastruktur | TERENOpreAlpine/KIAOS |
| Anzahl der Teilnehmenden | gelant für 20 |
| Geplant ab | noch nicht veröffentlicht |
Ziel ist es, anhand von interdisziplinären Beispielen mit sowohl Informatik- als auch umweltwissenschaftlichem Hintergrund die Studierenden für das Dilemma Nutzen- Herausforderungen von Deep-Learning Verfahren zu sensibilisieren und den trade-off zwischen Ergebnisqualität und Ressourcenverbrauch an Datenerhebungen von Großforschungsinfrastrukturen – hier speziell KIAOS und TERENOpreAlpine – experimentell zu testen. Aufgeteilt wird die Veranstaltung in zwei Abschnitte:
1. Grundlagenvorlesung
2. Exkursion zu der TERENOpreAlpine-Infrastrukturen am KIT Campus Alpin – hier erarbeiten Studierende selbstständig in kleinen Gruppen ein Forschungsthema