Das Projekt hat drei Komponenten: (1) Direkter Fernspeicherzugriff über das Internet für föderiertes Lernen im Edge Computing (RoCE, CLEVER Task 3.2): Remote Direct Memory Access (RDMA) ist der direkte Speicherzugriff vom Speicher eines Prozessors auf den eines anderen, der eine Vernetzung mit hohem Durchsatz und geringer Latenz ermöglicht, was für föderiertes Lernen von entscheidender Bedeutung ist. Um dies zu ermöglichen, ist es entscheidend, RDMA über große Distanzen mit Hilfe von Ethernet bereitzustellen. Im Rahmen des Projekts wird untersucht, wie RoCE derartig implementiert werden kann durch die Nutzung von Packet Pacing und Flow Prioritization auf Netzwerkkarten, die mit 50/100 Gbit/s Linerate arbeiten. (2) Sicherheitsorientiertes Edge Computing durch P4-Programmierbarkeit (CLEVER Task 4.1): Die derzeit unzureichende Integration von industriellen Edge Clouds und Produktions-Clouds ist zu überwinden, um die heute isolierten industriellen Systeme durch eine vertrauenswürdige, zuverlässige Computing-Plattform für KI-basierte Anwendungen zu unterstützen. Unter Verwendung der Open-Source-Programmiersprache P4 soll eine programmierbare, dezentrale und skalierbare Netzwerklösung entworfen, implementiert und validiert werden, um industrielle Dienste mit extrem niedrigen Latenzzeiten bereitzustellen. (3) Reinforcement Learning für Digitalen Zwillinge (CLEVER Tasks 5.1 und 5.2): Hierzu wird das Konzept des Digitalen Zwillings über die derzeit verfügbaren Optimierungstechniken und -dienste hinaus auf der Grundlage der KI-Methode des Reinforcement Learning weiterentwickelt. Dies dient (i) zu Bahnberechnungen zur Optimierung der Mobilität von Robotern und automatisierten Fahrzeuge in einer Fabrikhalle unter Verwendung einer KI-basierten Edge-Lösung; und (ii) zur Verkürzung der Inspektionszeiten in der industriellen Qualitätskontrolle, wobei das digitale Zwillingssystem Automobilkarosserien mit besserer Auflösung und Geschwindigkeit inspiziert als heute möglich.