added new topics

topics/_kircher/Multiple_GPU.md

@@ -0,0 +1,19 @@
+---
+lang: de
+img_src: assets\kircher\Showroom_1.png
+title: Multiple GPU Untersuchung
+tags: ["ba", "ma", "pm"]
+date: 2026-08-31
+---
+
+Bisher wurden GraphNetSim nur auf einer GPU trainiert oder evaluiert. Für größe System erreicht der VRAM schon jetzt seine Grenzen. Um größere System zu unterstützen, soll untersucht werden, welche Möglichkeiten zur Parallisierbarkeit auf mehreren GPUs vorhanden sind und welcher Aufwand damit verbunden ist.
+
+Vorgehen:
+- Recherche von Parallisierungsoptionen
+- Gegenüberstellung der Optionen
+- Auswahl des passenden Ansatzes
+- MWE
+- Basis-Implementierung
+
+Vorraussetzungen:
+- Vorkenntnisse in Julia sind wünschenswert

topics/_kircher/Partikelgeneration am Düseneingang.md

@@ -0,0 +1,22 @@
+---
+lang: de
+img_src: assets\kircher\Showroom_1.png
+title: Implementierung von Partikelquellen für Graph Network Simulators
+tags: ["pm", "ma"]
+date: 2025-12-06
+---
+Um Partikel in einer Simulation hinzuzufügen, beispielsweise als Wasserstrahl durch eine Düse, gibt in herkömmlichen CFD-Tools viel Ansätze.
+
+Im Gegensatzu zu dieses Tool fassen wir das Partikelsystem als NeuralODE auf, wodurch sich durch hinzufügen von Partikeln der Zustandraum ändert, was nicht ganz trivial ist und Einfluss auf die Performance hat.
+
+Die Aufgabe dieser Arbeit ist es die bestehenden Ansätze aus CFD-Tools zu analysieren und in geeigneter Weise auf die Graph Networksimulators anzuwenden.
+
+Vorgehen:
+- Recherche von bestehenden Partikelgenerationsalgorithmen
+- Auswahl der Methoden zur Anwendung auf GNS
+- Implementierung und Testung
+- Laufzeitanalyse und Vergleich der Methoden
+
+Vorraussetzungen:
+- Vorkenntnisse in Julia sind wünschenswert
+- Erste Erfahrungen mit Partikelsimulationen sind von Nutzen

topics/_kircher/Schedulerstrategien.md

@@ -0,0 +1,18 @@
+---
+lang: de
+img_src: assets\kircher\Showroom_1.png
+title: Vergleich und Implementierungen von verschiedenen Training Schedulern
+tags: ["pm", "fm", "ba"]
+date: 2026-08-31
+---
+
+Im Training von Graph Neural Networks ist die Auswahl des nächsten Trainingsamples entscheidend. Da es hierfür aktuell bis auf eine Random-Auswahl keine weiteren Strategien für GNNs gibt, ist die Identifikation von anderen möglichen Schedulern aus anderen Trainingsdomänen und deren Vergleich anhand eines Beispiels das Ziel der Arbeit.
+
+Vorgehen:
+- Recherche von bestehenden Sampling-Algorithmen
+- Auswahl der Methoden zur Anwendung auf GNS
+- Implementierung und Testung
+- Laufzeitanalyse und Vergleich der Methoden
+
+Vorraussetzungen:
+- Vorkenntnisse in Julia sind wünschenswert

topics/_kircher/Use Cases.md

@@ -0,0 +1,19 @@
+---
+lang: de
+img_src: assets\kircher\Showroom_1.png
+title: Anwendung von GraphNetSim auf weitere Use Cases
+tags: ["ba", "ma"]
+date: 2026-08-31
+---
+
+Bisher wurden GraphNetSim nur auf einen Standarddatensatz mit schiefen Ebenen und für ballistische Würfe mit Tröpfen eingesetzt. Um die Anwendbarkeit auf andere Szenarien zu überprüfen, soll in dieser studentischen Arbeit ein weiteres Szenario betrachtet werden. Dabei handelt es sich entweder um einen Rührstab in einem Tank oder um eine Wellenbewegung, die von einer beweglichen Wand erzeugt wird oder einen geschüttelten Tank. Die Trainingsdaten werden in Dualsphysics erzeugt.
+
+Vorgehen:
+- Auswahl des Anwendungsfalls
+- Überprüfung des Datenerzeugungsskripts
+- Datenerzeugung
+- Erstellung des Modells
+- Training und Validierung der Ergebnisse
+
+Vorraussetzungen:
+- Vorkenntnisse in Julia sind wünschenswert