Skalierbarkeit bezeichnet in der werkstoffbezogenen Simulation und datengetriebenen Werkstoffforschung die Fähigkeit von Algorithmen, Software und Hardware, ihren Rechenaufwand bei wachsender Problemgröße oder steigender Prozessorzahl effizient anzupassen. Sie ist zentral für Langzeit-Simulationen, hochaufgelöste Mikrostrukturberechnungen und multiphysikalische Prozessmodelle.

Man unterscheidet typischerweise starke Skalierung (feste Problemgröße, variierende Kernzahl) und schwache Skalierung (Problemgröße wächst proportional zur Kernzahl). Gute Skalierbarkeit äußert sich in hoher Parallel-Effizienz, d. h. einem nahezu proportionalen Rückgang der Rechenzeit bei steigender Kernzahl.

Für finite‑Elemente‑, Phasenfeld- oder Molekulardynamik-Simulationen in der Werkstofftechnik hängen die Skalierbarkeitseigenschaften stark von Lastbalancierung, Kommunikationsaufwand (z. B. MPI), Speicherzugriffsmustern und der Parallelisierungsstrategie (Domain Decomposition, Task-basierte Parallelität) ab. Auf Algorithmusseite beeinflussen insbesondere Löser für lineare und nichtlineare Gleichungssysteme (z. B. iterative Mehrgitter- oder Krylov-Verfahren) die erreichbare Skalierung.

Skalierbare Prozesse sind Voraussetzung, um Parameterstudien, Unsicherheitsquantifizierung oder Optimierungen über viele Prozess- und Werkstoffvarianten hinweg durchzuführen. In Langzeit-Simulationen, etwa für Kriech- oder Ermüdungsphänomene, entscheidet die Skalierbarkeit darüber, ob realistische Zeit- und Längenskalen erreicht werden können.

In Zukunft gewinnt auch die Skalierbarkeit datengetriebener Methoden (Machine Learning, Surrogatmodelle) auf heterogenen Architekturen (CPU/GPU) an Bedeutung, um experimentelle und numerische Werkstoffdaten effizient zu integrieren.