QUEENS-Softwarepaper in Engineering with Computers erschienen

3 August 2026

Das Softwarepapers zu QUEENS ist als Open-Access-Veröffentlichung  in Engineering with Computers erschienen.

QUEENS (Quantification of Uncertain Effects in Engineering Systems) ist ein Open-Source-Python-Framework für löserunabhängige Multi-Query-Analysen großskaliger Rechenmodelle, also für die wiederholte Auswertung von Varianten eines bestimmten Rechenmodells. QUEENS bietet eine Vielzahl von Analysearten und skaliert auf natürliche Weise von einfachen Studien bis hin zu fortgeschrittenen probabilistischen Verfahren: Parameterstudien, Optimierung, globale Sensitivitätsanalyse, Bayes'sche inverse Analyse, (probabilistische) Surrogatmodelle und schließlich digitale Zwillinge.

Um diese Analysen so einfach wie möglich zu machen, übernimmt QUEENS die mühsamen Teile von Multi-Query-Studien — das Erzeugen der Eingabedateien, die Job-Verwaltung, die Ausführung auf entfernten HPC-Clustern sowie das Datenmanagement — sodass sich Forschende auf die eigentliche Analyse konzentrieren können.

Das Paper gibt einen ausführlichen Einblick in das Framework: seine modulare Drei-Schichten-Architektur, die zugrunde liegenden Entwurfsprinzipien sowie einen Überblick über die derzeit verfügbaren Methoden — von gitterbasiertem Sampling und globaler Sensitivitätsanalyse über Markov-Chain-Monte-Carlo, Sequential Monte Carlo und Variational Inference bis hin zu Bayes'schen Multi-Fidelity-Verfahren. Zwei praxisnahe Beispiele veranschaulichen den Aufbau einer Analyse: eine Parameterstudie eines biomechanischen Tumorwachstumsmodells und die Bayes'sche Kalibrierung eines gekoppelten Fluid-Struktur-Interaktionsproblems mithilfe eines Gauß-Prozess-Surrogats. Vom IMCS war Sebastian Brandstäter als geteilter Erstautor beteiligt.

Das IMCS ist stolz, Teil der QUEENS-Community zu sein, die das Framework offen auf GitHub entwickelt. QUEENS steht unter der LGPL und ist offen für neue Mitwirkende.

Referenz:

Biehler, J., Nitzler, J., Brandstaeter, S. et al. QUEENS: an open-source Python framework for solver-independent analyses of large-scale computational models – from parameter studies and identification, sensitivity analysis, surrogates, optimization, (Bayesian) forward and backward uncertainty quantification to digital twinning. Engineering with Computers 42, 147 (2026). https://doi.org/10.1007/s00366-026-02337-x

Weitere Ressourcen:

• Projekt-Homepage: queens-py.org
• Quellcode: github.com/queens-py/queens