IWR Heidelberg: Interdisziplinäres Zentrum für Wissensrechnen – Projekt-Aufwandsrechner

Willkommen beim offiziellen Projekt-Aufwandsrechner des Interdisziplinären Zentrums für Wissensrechnen (IWR) der Universität Heidelberg. Dieses Tool wurde entwickelt, um Forschenden und Projektmanagern eine erste Schätzung des Rechenaufwands und der voraussichtlichen Dauer ihrer wissenschaftlichen Projekte zu ermöglichen. Planen Sie Ihre Ressourcen effizienter und erhalten Sie einen klaren Überblick über die Anforderungen Ihres Vorhabens im Bereich des Wissensrechnens.

IWR Computational Project Effort Estimator

Geben Sie die Parameter Ihres Forschungsprojekts ein, um den geschätzten Rechenaufwand zu ermitteln.

Detaillierte Aufwandsanalyse für verschiedene Szenarien

Szenario	Datenvolumen (TB)	Komplexität	Recheneinheiten	Effizienz	Dauer (Tage)

Was ist das Interdisziplinäre Zentrum für Wissensrechnen (IWR) der Universität Heidelberg?

Das Interdisziplinäre Zentrum für Wissensrechnen (IWR) der Universität Heidelberg ist eine führende Forschungseinrichtung, die sich der Entwicklung und Anwendung von Methoden des wissenschaftlichen Rechnens widmet. Seit seiner Gründung im Jahr 1987 hat sich das IWR zu einem zentralen Knotenpunkt für interdisziplinäre Forschung entwickelt, der Mathematik, Informatik und Naturwissenschaften miteinander verbindet. Das Hauptziel des IWR ist es, komplexe Probleme aus Wissenschaft, Technik und Medizin durch innovative Rechenmethoden zu lösen.

Definition und Mission des IWR Heidelberg

Das Interdisziplinäre Zentrum für Wissensrechnen (IWR) versteht sich als Brücke zwischen theoretischer Forschung und praktischer Anwendung. “Wissensrechnen” umfasst dabei die gesamte Bandbreite von der Entwicklung neuer Algorithmen und numerischer Verfahren bis hin zur Implementierung auf Hochleistungsrechnern und der Visualisierung von Ergebnissen. Die Mission des IWR Heidelberg ist es, die Grenzen des wissenschaftlichen Verständnisses durch fortschrittliche Computational Science Heidelberg zu erweitern und die nächste Generation von Forschenden in diesem Bereich auszubilden.

Wer sollte die Ressourcen des IWR nutzen?

Die Expertise und Infrastruktur des IWR stehen einer breiten Palette von Nutzern zur Verfügung:

• Forschende der Universität Heidelberg: Für Projekte, die intensive Rechenleistung, komplexe Modellierung oder Datenanalyse erfordern.
• Externe Forschungspartner: In Kooperationen mit anderen Universitäten, Forschungsinstituten oder Industriepartnern.
• Studierende: Im Rahmen von Bachelor-, Master- und Doktorarbeiten, insbesondere im Masterstudiengang Wissensrechnen.
• Industrie: Für angewandte Forschung und Entwicklung, die von der Expertise im Scientific Computing Heidelberg profitieren kann.

Häufige Missverständnisse über das IWR Heidelberg

Trotz seiner prominenten Rolle gibt es einige Missverständnisse über das Interdisziplinäre Zentrum für Wissensrechnen:

• Nicht nur IT-Support: Das IWR ist kein reiner IT-Dienstleister, sondern eine aktive Forschungseinrichtung, die eigene wissenschaftliche Beiträge leistet.
• Mehr als nur Programmierung: Während Programmierung ein wichtiges Werkzeug ist, liegt der Fokus auf der Entwicklung und Anwendung mathematischer Modelle und Algorithmen.
• Keine reine Informatik-Abteilung: Obwohl die Informatik eine Säule ist, integriert das IWR stark Mathematik, Physik, Chemie, Biologie und andere Disziplinen.
• Nicht nur für “Big Data”: Auch wenn große Datenmengen oft eine Rolle spielen, befasst sich das IWR auch mit komplexen Simulationen und Modellierungen, die nicht primär datengetrieben sind.

IWR Computational Project Effort Estimator: Formel und Mathematische Erklärung

Der IWR Computational Project Effort Estimator bietet eine vereinfachte, aber effektive Methode zur Vorhersage der Dauer eines wissenschaftlichen Rechenprojekts. Die zugrunde liegende Logik berücksichtigt die wesentlichen Faktoren, die den Zeitaufwand beeinflussen.

Schritt-für-Schritt-Ableitung der Formel

Die Berechnung der Projektdauer basiert auf dem Verhältnis der gesamten “Arbeitslast” zur verfügbaren “Rechenleistung”.

1. Rohe Rechenlast (Raw Computational Load): Dies ist ein Maß für die Gesamtmenge an Arbeit, die erledigt werden muss. Sie wird berechnet als:
   
   Rohe Rechenlast = Datenvolumen (TB) × Algorithmus-Komplexitätsfaktor
   
   Der Algorithmus-Komplexitätsfaktor skaliert das Datenvolumen, um die Intensität der Berechnungen pro Dateneinheit zu berücksichtigen. Eine höhere Komplexität bedeutet mehr Arbeit pro TB.
2. Basis-Verarbeitungszeit (Base Processing Time): Dies wäre die Zeit, die ein einzelner, idealer Prozessor benötigen würde, um die gesamte rohe Rechenlast zu bewältigen.
   
   Basis-Verarbeitungszeit (Stunden) = (Datenvolumen (TB) × 1024 GB/TB × Algorithmus-Komplexitätsfaktor) / Verarbeitungsrate pro Einheit (GB/Stunde/Einheit)
   
   Hier wird das Datenvolumen in GB umgerechnet, um mit der Verarbeitungsrate pro Einheit konsistent zu sein.
3. Gesamte effektive Rechenleistung (Total Effective Processing Power): Dies ist die tatsächliche kombinierte Verarbeitungsfähigkeit aller verfügbaren Recheneinheiten, unter Berücksichtigung der Parallelisierungseffizienz.
   
   Gesamte effektive Rechenleistung (GB/Stunde) = Anzahl der Recheneinheiten × Verarbeitungsrate pro Einheit (GB/Stunde/Einheit) × Parallelisierungseffizienz
   
   Die Parallelisierungseffizienz ist entscheidend, da nicht alle Aufgaben perfekt parallelisiert werden können. Ein Wert unter 1.0 bedeutet, dass die Leistung nicht linear mit der Anzahl der Einheiten skaliert.
4. Angepasste Verarbeitungszeit (Adjusted Processing Time): Dies ist die realistische Zeit, die das Projekt mit den gegebenen Ressourcen und der Parallelisierungseffizienz benötigt.
   
   Angepasste Verarbeitungszeit (Stunden) = (Rohe Rechenlast (TB-Komplexitätseinheiten) × 1024 GB/TB) / Gesamte effektive Rechenleistung (GB/Stunde)
   
   Alternativ: Angepasste Verarbeitungszeit (Stunden) = Basis-Verarbeitungszeit (Stunden) / (Anzahl der Recheneinheiten × Parallelisierungseffizienz)
5. Geschätzte Projektdauer (Tage): Die angepasste Verarbeitungszeit wird in Tage umgerechnet.
   
   Projektdauer (Tage) = Angepasste Verarbeitungszeit (Stunden) / 24 Stunden/Tag

Variablen und ihre Bedeutung

Variablen des IWR Computational Project Effort Estimators

Variable	Bedeutung	Einheit	Typischer Bereich
dataVolumeTB	Gesamtmenge der zu verarbeitenden Daten	Terabytes (TB)	0.1 – 1000 TB
algorithmicComplexity	Intensität der Algorithmen pro Dateneinheit	Dimensionslos	1 (einfach) – 10 (hochkomplex)
availableUnits	Anzahl der verfügbaren Recheneinheiten (z.B. CPU-Kerne, GPUs)	Anzahl	1 – 10000
unitProcessingRateGBH	Durchschnittliche Datenverarbeitungsrate einer einzelnen Recheneinheit	GB/Stunde/Einheit	1 – 1000 GB/Stunde/Einheit
parallelEfficiency	Effektivität der Parallelisierung der Aufgabe über mehrere Einheiten	Dimensionslos	0.1 (schlecht) – 1.0 (perfekt)
estimatedProjectDurationDays	Geschätzte Gesamtdauer des Rechenprojekts	Tage	Variabel

Praktische Beispiele für das Interdisziplinäre Zentrum für Wissensrechnen

Beispiel 1: Genomdatenanalyse für personalisierte Medizin

Ein Forschungsteam am IWR Heidelberg plant die Analyse von Genomsequenzierungsdaten von 1000 Patienten, um Biomarker für eine bestimmte Krankheit zu identifizieren. Dies ist ein typisches Computational Science Projekt.

Eingaben:

• Gesamtdatenvolumen: 50 TB (50 GB pro Genom * 1000 Patienten)
• Algorithmus-Komplexitätsfaktor: 7 (komplexe Bioinformatik-Algorithmen)
• Anzahl der Recheneinheiten: 200 (Cluster-Knoten)
• Durchschnittliche Verarbeitungsrate pro Einheit: 30 GB/Stunde/Einheit
• Parallelisierungseffizienz: 0.7 (moderate Skalierbarkeit der Bioinformatik-Tools)

Berechnung:

• Rohe Rechenlast: 50 TB * 7 = 350 TB-Komplexitätseinheiten
• Gesamte effektive Rechenleistung: 200 * 30 GB/Stunde/Einheit * 0.7 = 4200 GB/Stunde
• Angepasste Verarbeitungszeit: (350 * 1024) / 4200 ≈ 85.07 Stunden
• Geschätzte Projektdauer: 85.07 / 24 ≈ 3.54 Tage

Interpretation:

Das Projekt könnte in etwa 3,5 Tagen abgeschlossen werden. Dies ermöglicht dem Team, schnell Ergebnisse zu erhalten und weitere Analysen zu planen. Eine Verbesserung der Parallelisierungseffizienz oder der Einsatz leistungsstärkerer Einheiten könnte die Dauer weiter verkürzen.

Beispiel 2: Hochauflösende Klimamodellsimulation

Ein anderes Team am Interdisziplinären Zentrum für Wissensrechnen führt eine hochauflösende Klimamodellsimulation über mehrere Jahrzehnte durch, um die Auswirkungen des Klimawandels zu prognostizieren.

Eingaben:

• Gesamtdatenvolumen: 200 TB (Modell-Outputs und Eingabedaten)
• Algorithmus-Komplexitätsfaktor: 9 (sehr komplexe physikalische Modelle)
• Anzahl der Recheneinheiten: 800 (Großes HPC-Cluster)
• Durchschnittliche Verarbeitungsrate pro Einheit: 80 GB/Stunde/Einheit
• Parallelisierungseffizienz: 0.9 (gut optimierte Klimamodelle)

Berechnung:

• Rohe Rechenlast: 200 TB * 9 = 1800 TB-Komplexitätseinheiten
• Gesamte effektive Rechenleistung: 800 * 80 GB/Stunde/Einheit * 0.9 = 57600 GB/Stunde
• Angepasste Verarbeitungszeit: (1800 * 1024) / 57600 ≈ 32 Stunden
• Geschätzte Projektdauer: 32 / 24 ≈ 1.33 Tage

Interpretation:

Trotz des sehr hohen Datenvolumens und der Komplexität kann dieses Projekt dank der großen Anzahl an Recheneinheiten und der hohen Parallelisierungseffizienz relativ schnell abgeschlossen werden. Dies unterstreicht die Bedeutung von Hochleistungsrechnen für Computational Research Heidelberg.

Wie man diesen IWR Computational Project Effort Estimator verwendet

Dieser Rechner ist ein intuitives Werkzeug, um den Aufwand für Ihr Projekt im Bereich des Wissensrechnens zu schätzen. Befolgen Sie diese Schritte, um genaue Ergebnisse zu erhalten:

Schritt-für-Schritt-Anleitung

1. Geben Sie das Gesamtdatenvolumen ein: Schätzen Sie die Gesamtmenge der Daten, die Ihr Projekt verarbeiten oder generieren wird, in Terabytes (TB).
2. Legen Sie den Algorithmus-Komplexitätsfaktor fest: Bewerten Sie die Rechenintensität Ihrer Algorithmen auf einer Skala von 1 (sehr einfach) bis 10 (extrem komplex). Dies erfordert oft eine Einschätzung basierend auf Erfahrung oder Vorabtests.
3. Bestimmen Sie die Anzahl der Recheneinheiten: Geben Sie an, wie viele CPU-Kerne oder GPU-Einheiten Ihnen für das Projekt zur Verfügung stehen. Dies hängt von der genutzten Infrastruktur (z.B. IWR-Cluster) ab.
4. Schätzen Sie die durchschnittliche Verarbeitungsrate pro Einheit: Dies ist die typische Geschwindigkeit, mit der eine einzelne Recheneinheit Daten verarbeitet (z.B. GB pro Stunde). Dieser Wert kann je nach Hardware und Art der Daten variieren.
5. Bewerten Sie die Parallelisierungseffizienz: Geben Sie einen Wert zwischen 0.1 und 1.0 ein, der angibt, wie gut Ihre Software die verfügbaren Recheneinheiten nutzen kann. 1.0 bedeutet perfekte Skalierbarkeit, während niedrigere Werte auf Engpässe hinweisen.
6. Klicken Sie auf “Berechnen”: Der Rechner aktualisiert die Ergebnisse automatisch, sobald Sie eine Eingabe ändern.
7. Klicken Sie auf “Zurücksetzen”: Um alle Felder auf ihre Standardwerte zurückzusetzen.
8. Klicken Sie auf “Ergebnisse kopieren”: Um die wichtigsten Ergebnisse in Ihre Zwischenablage zu kopieren.

Wie man die Ergebnisse liest und interpretiert

• Geschätzte Projektdauer (Tage): Dies ist der Hauptwert und gibt an, wie viele Tage Ihr Projekt voraussichtlich dauern wird. Ein zu hoher Wert kann auf die Notwendigkeit einer Optimierung oder zusätzlicher Ressourcen hinweisen.
• Rohe Rechenlast: Zeigt die “Menge an Arbeit” an, die Ihr Projekt erfordert, skaliert durch die Komplexität.
• Gesamte effektive Rechenleistung: Gibt an, wie viel Datenvolumen Ihr System pro Stunde effektiv verarbeiten kann.
• Basis-Verarbeitungszeit (sequenziell): Die hypothetische Zeit, die ein einzelner Prozessor benötigen würde. Nützlich zum Vergleich.
• Angepasste Verarbeitungszeit (parallelisiert): Die tatsächliche geschätzte Verarbeitungszeit in Stunden, unter Berücksichtigung aller Faktoren.

Entscheidungsfindung auf Basis der Ergebnisse

Die Ergebnisse dieses Rechners des Interdisziplinären Zentrums für Wissensrechnen können Ihnen helfen, fundierte Entscheidungen zu treffen:

• Ressourcenplanung: Ist die geschätzte Dauer akzeptabel? Benötigen Sie mehr Recheneinheiten oder eine effizientere Software?
• Projektzeitplan: Integrieren Sie die geschätzte Dauer in Ihren Gesamtprojektplan.
• Optimierungspotenziale: Wenn die Parallelisierungseffizienz niedrig ist, könnte dies ein Hinweis darauf sein, dass Ihre Software optimiert werden muss.
• Budgetierung: Längere Laufzeiten können höhere Kosten für Rechenressourcen bedeuten.

Schlüsselfaktoren, die die Ergebnisse des IWR Computational Project Effort Estimators beeinflussen

Die Genauigkeit der Schätzung durch den IWR Computational Project Effort Estimator hängt stark von der realistischen Einschätzung der Eingabeparameter ab. Mehrere Faktoren spielen eine entscheidende Rolle für die Projektdauer im Scientific Computing Heidelberg.

1. Datenvolumen (Total Data Volume):

   Die schiere Menge der zu verarbeitenden Daten ist oft der offensichtlichste Faktor. Größere Datensätze erfordern proportional mehr Rechenzeit und Speicherplatz. Dies kann von wenigen Gigabytes bei kleinen Simulationen bis zu Petabytes bei Genomik- oder Klimamodellierungsstudien reichen. Eine präzise Schätzung des Datenvolumens ist entscheidend für die Planung im Interdisziplinären Zentrum für Wissensrechnen.

2. Algorithmus-Komplexität (Algorithmic Complexity Factor):

   Nicht alle Daten sind gleich “schwer” zu verarbeiten. Ein einfacher Datenabgleich ist weniger komplex als eine hochdimensionale Optimierung oder eine Monte-Carlo-Simulation. Der Algorithmus-Komplexitätsfaktor versucht, diese intrinsische Schwierigkeit der Rechenaufgabe zu quantifizieren. Ein höherer Faktor bedeutet, dass pro Dateneinheit mehr Rechenoperationen erforderlich sind, was die Projektdauer erheblich verlängert.

3. Verfügbare Recheneinheiten (Number of Processing Units):

   Die Anzahl der CPU-Kerne oder GPUs, die einem Projekt zugewiesen werden können, ist ein direkter Multiplikator für die potenzielle Rechenleistung. Der Zugang zu Hochleistungsrechnern (HPC) und Clustern, wie sie am IWR Heidelberg zur Verfügung stehen, ist entscheidend für die Bewältigung großer und komplexer Aufgaben. Mehr Einheiten können die Projektdauer drastisch verkürzen, vorausgesetzt, die Software kann diese auch effizient nutzen.

4. Durchschnittliche Verarbeitungsrate pro Einheit (Average Processing Rate per Unit):

   Die Leistung einer einzelnen Recheneinheit (z.B. die Taktfrequenz eines CPU-Kerns oder die Speicherbandbreite einer GPU) beeinflusst, wie schnell Daten verarbeitet werden können. Neuere Hardware-Generationen bieten oft eine höhere Verarbeitungsrate, was zu kürzeren Laufzeiten führt. Die Wahl der richtigen Hardware für die spezifische Aufgabe ist ein wichtiger Aspekt des Computational Research Heidelberg.

5. Parallelisierungseffizienz (Parallelization Efficiency):

   Dies ist ein kritischer, oft unterschätzter Faktor. Selbst wenn viele Recheneinheiten verfügbar sind, kann die Software möglicherweise nicht alle optimal nutzen. Engpässe bei der Datenkommunikation zwischen den Einheiten, sequentielle Codeabschnitte oder ungleichmäßige Lastverteilung können die Effizienz der Parallelisierung reduzieren. Eine niedrige Effizienz bedeutet, dass die tatsächliche Leistung weit unter der theoretischen Maximalleistung liegt.

6. Daten-I/O-Geschwindigkeit (Data I/O Speed):

   Die Geschwindigkeit, mit der Daten von und zu Speichersystemen gelesen und geschrieben werden können, ist oft ein Flaschenhals. Langsame Festplatten, überlastete Netzwerke oder ineffiziente Dateisysteme können die Rechenzeit erheblich verlängern, selbst wenn die Prozessoren selbst schnell sind. Dies ist besonders relevant für datenintensive Projekte am Interdisziplinären Zentrum für Wissensrechnen.

7. Software-Optimierung und -Umgebung:

   Die Qualität des Codes, die verwendeten Bibliotheken und die Optimierung des Compilers können einen großen Unterschied machen. Gut optimierte Software kann die gleiche Aufgabe in einem Bruchteil der Zeit erledigen. Auch die Software-Umgebung, einschließlich Betriebssystem, Treiber und Middleware, kann die Leistung beeinflussen.

8. Menschliche Ressourcen und Overhead:

   Obwohl nicht direkt im Rechner abgebildet, ist der menschliche Aufwand für die Entwicklung, das Debugging, die Validierung und die Interpretation der Ergebnisse ein wesentlicher Bestandteil der Gesamtprojektdauer. Komplexe Projekte erfordern mehr Zeit für diese nicht-rechnerischen Aufgaben.

Häufig gestellte Fragen (FAQ) zum Interdisziplinären Zentrum für Wissensrechnen

F: Was genau bedeutet “Wissensrechnen” im Kontext des IWR Heidelberg?

A: “Wissensrechnen” (Scientific Computing) am IWR Heidelberg bezieht sich auf die Entwicklung und Anwendung mathematischer Modelle, Algorithmen und Software, um komplexe Probleme in Wissenschaft und Technik zu lösen. Es ist ein interdisziplinäres Feld, das Mathematik, Informatik und verschiedene Anwendungsdisziplinen wie Physik, Chemie, Biologie und Ingenieurwissenschaften miteinander verbindet.

F: Wer kann mit dem Interdisziplinären Zentrum für Wissensrechnen zusammenarbeiten?

A: Das IWR ist offen für Kooperationen mit Forschenden aus allen Fakultäten der Universität Heidelberg, anderen nationalen und internationalen Forschungseinrichtungen sowie Industriepartnern, die an der Anwendung und Entwicklung von Methoden des wissenschaftlichen Rechnens interessiert sind. Kontaktieren Sie uns über unsere Kontaktseite.

F: Ist dieser IWR Computational Project Effort Estimator für alle Projekte genau?

A: Der Rechner bietet eine fundierte Schätzung basierend auf den eingegebenen Parametern. Die Genauigkeit hängt stark von der Qualität Ihrer Eingaben ab. Für sehr spezifische oder neuartige Projekte können zusätzliche Faktoren eine Rolle spielen, die hier nicht abgebildet sind. Er dient als Planungshilfe, nicht als exakte Vorhersage.

F: Wie kann ich die Projektdauer meines Rechenprojekts verkürzen?

A: Um die Dauer zu verkürzen, können Sie mehrere Hebel nutzen: Erhöhung der Recheneinheiten (falls verfügbar), Optimierung der Algorithmen (Reduzierung der Komplexität), Verbesserung der Parallelisierungseffizienz Ihrer Software oder der Einsatz leistungsfähigerer Hardware. Das IWR bietet auch Beratung zur Optimierung von Computational Science Projekten an.

F: Was mache ich, wenn meine Parallelisierungseffizienz unbekannt ist?

A: Wenn Sie keine genauen Daten zur Parallelisierungseffizienz haben, beginnen Sie mit einem konservativen Wert (z.B. 0.5 bis 0.7) und führen Sie kleine Testläufe durch, um die tatsächliche Skalierbarkeit Ihrer Anwendung zu messen. Dies ist ein wichtiger Schritt bei der Planung von wissenschaftlichen Stellen im Bereich HPC.

F: Bietet das IWR Heidelberg Beratung für die Projektplanung an?

A: Ja, das Interdisziplinäre Zentrum für Wissensrechnen bietet Forschenden und Partnern Unterstützung und Beratung bei der Planung und Durchführung von Rechenprojekten an. Dies umfasst die Auswahl geeigneter Methoden, die Optimierung von Algorithmen und die Nutzung der HPC-Infrastruktur.

F: Welche Art von Daten verarbeitet das IWR typischerweise?

A: Das IWR verarbeitet eine breite Palette von Daten, darunter Simulationsdaten aus der Physik und Chemie, Bilddaten aus der Medizin und Biologie, Genomdaten, Finanzdaten für Modellierungen und Sensordaten aus technischen Anwendungen. Die Vielfalt spiegelt den interdisziplinären Ansatz des Zentrums wider.

F: Wie beeinflusst die Hardware-Entwicklung diese Schätzungen?

A: Fortschritte in der Hardware-Entwicklung (schnellere CPUs, leistungsfähigere GPUs, NVMe-Speicher) erhöhen die “Durchschnittliche Verarbeitungsrate pro Einheit” und können die Projektdauer erheblich verkürzen. Der Rechner ermöglicht es Ihnen, diese Verbesserungen durch Anpassung der entsprechenden Eingabewerte zu modellieren.

Verwandte Tools und Interne Ressourcen des IWR Heidelberg

Entdecken Sie weitere nützliche Ressourcen und Informationen des Interdisziplinären Zentrums für Wissensrechnen:

• Forschung im Bereich Computational Science: Erfahren Sie mehr über die aktuellen Forschungsschwerpunkte und Projekte des IWR im Bereich des wissenschaftlichen Rechnens.
• Masterstudiengang Wissensrechnen: Informationen zum interdisziplinären Masterprogramm, das Studierende auf Karrieren im Scientific Computing vorbereitet.
• Geschichte des IWR: Ein Überblick über die Entwicklung und Meilensteine des Interdisziplinären Zentrums für Wissensrechnen seit seiner Gründung.
• Aktuelle Forschungspublikationen: Eine Liste der neuesten wissenschaftlichen Veröffentlichungen der IWR-Forschenden.
• Karriere und wissenschaftliche Stellen am IWR: Informationen zu offenen Positionen und Möglichkeiten für eine wissenschaftliche Karriere am Zentrum.
• Kontakt und Anfahrt zum IWR: Finden Sie die Kontaktdaten und Anfahrtsbeschreibung zum Interdisziplinären Zentrum für Wissensrechnen in Heidelberg.