BN, Reiriz Martínez: Frau Dr. Díaz, vielen Dank, dass Sie sich Zeit für uns nehmen. Sie kommen ursprünglich aus den Ingenieurwissenschaften und der Informatik. Was hat Sie dazu bewegt, in die Lebenswissenschaften und insbesondere in die Neurowissenschaften zu wechseln? Hat Sie das Gehirn schon immer fasziniert?

Sandra Díaz: Die Geschichte beginnt schon in meiner frühen Kindheit. Ich bin in einem Haushalt aufgewachsen, in dem ständig Chips und Transistoren herumlagen, denn mein Vater war klassischer Analogelektronikingenieur. Gleichzeitig gehörte er in Mexiko zu den Pionieren der Biomedizintechnik. Schon früh hat mich diese Verbindung geprägt: Ich wollte immer einen Weg finden, meine Begeisterung für Technik mit der Biologie – und insbesondere mit dem Gehirn – zu verbinden.

Als es darum ging, meinen beruflichen Weg einzuschlagen, entschied ich mich für ein ingenieurwissenschaftliches Studium im Bereich elektronischer Systeme, um eine solide Grundlage in Mathematik und angewandter Physik zu erwerben und gleichzeitig lebende Systeme besser verstehen zu können. Später spezialisierte ich mich auf Biomedizintechnik und beschäftigte mich unter anderem mit Bioimaging und Schnittstellen zwischen technischen und biologischen Systemen.

Nach einigen Jahren in der Industrie erhielt ich die Möglichkeit, ein Masterstudium in Informatik mit Schwerpunkt Quantencomputing zu absolvieren – damals ein noch aufkommendes Technologiefeld – sowie ein weiteres in Biomedizintechnik. Dadurch kam ich nach Kanada, wo ich am regionalen Krebszentrum in Thunder Bay arbeitete. Dort entwickelte ich computergestützte Verfahren, um zu simulieren, wie hochintensiver fokussierter Ultraschall zur Behandlung von Hirntumoren eingesetzt werden kann – insbesondere, um zu verstehen, wie sich Schallwellen durch Hirngewebe ausbreiten. Die Arbeit im klinischen Umfeld war für mich besonders bereichernd, weil sie rechnergestützte Forschung mit der Arbeit mit Patient:innen verband.

Eigentlich hatte ich geplant, anschließend zu promovieren. Das entsprechende Programm wurde in diesem Jahr jedoch leider nicht angeboten. Also musste ich entscheiden, ob ich mit meinem kleinen Kind und einem Stipendium in Kanada bleiben oder nach Mexiko zurückkehren und nach einer anderen Möglichkeit suchen sollte – und entschied mich schließlich für Letzteres.

Kurz darauf ergab sich die Möglichkeit, am SDLN einzusteigen. Darüber sind wir nach Deutschland gezogen, wo wir inzwischen ein Zuhause gefunden haben – und wo ich schließlich vollständig in die Computational Neuroscience wechseln konnte.

Und warum gerade die Neurowissenschaften?

Das Gehirn hat mich schon immer fasziniert – insbesondere seine Entwicklung und die Mechanismen des Lernens. Zu Beginn meiner Laufbahn wollte ich mich darauf konzentrieren, an Mensch-Maschine-Schnittstellen zu arbeiten, um Menschen mit unterschiedlichen Erkrankungen zu helfen und ihre Lebensqualität zu verbessern. Diese Motivation begleitet mich bis heute.

Wann kamen Sie für Ihre Promotion ans SDLN nach Deutschland?

Ich habe 2014 am SDLN begonnen und dort meine Promotion unter der Betreuung von Abigail Morrison abgeschlossen.

Das SDLN wurde 2013 eröffnet – Sie sind also seit fast den Anfängen dabei. Was hat sich in dieser Zeit verändert, vom Beginn Ihrer Promotion bis heute, wo Sie das Labor leiten?

Zu Beginn war mein Blick auf das Feld deutlich enger. Die Arbeit in der SDLN-Gruppe hat mir sehr geholfen, denn hier arbeiten Menschen zusammen, die sehr unterschiedliche Probleme in den Neurowissenschaften bearbeiten. Das SDLN unterstützt sie dabei mit Expertise in Computing und Simulation. Ich wurde mit vielen verschiedenen Gruppen, Denkweisen und Forschungsansätzen in Berührung gebracht – von rein computergestützter und theoretischer Neurowissenschaft über experimentelle Neurowissenschaften und Neuroimaging bis hin zum neuromorphen Computing.

Aus meiner Sicht war vielen Neurowissenschaftler:innen damals noch weniger bewusst, welchen Beitrag High Performance Computing (HPC) für das Feld leisten kann. Heute lässt sich HPC angesichts aktueller Entwicklungen – etwa künstlicher Intelligenz, Big-Data-Analysen und zunehmend komplexer mechanistischer sowie datengetriebener Modelle zur Erklärung von Hirnprozessen – kaum noch ignorieren. Computing ist inzwischen ein zentraler Bestandteil neurowissenschaftlicher Forschung.

Können Sie konkrete Beispiele nennen, wie HPC die neurowissenschaftliche Forschung beschleunigen kann?

Beginnen wir mit den Daten. Unsere experimentell arbeitenden Kolleg:innen verbringen viele Stunden im Labor, um Informationen aus in vitro- oder in vivo-Experimenten zu gewinnen, und die Menge multimodaler Daten wächst stetig. Mit HPC können wir diese Datensätze heute deutlich umfassender analysieren und Merkmale identifizieren, die zuvor nur schwer erkennbar waren.

Ein zweiter zentraler Bereich ist die Integration dieser Daten in mathematische Modelle – ein Kernaspekt der Computational Neuroscience. Dabei werden wesentliche Merkmale aus den Daten extrahiert und in Modelle überführt, die wir analysieren und gezielt verändern können. HPC ermöglicht es Neurowissenschaftler:innen, deutlich komplexere Modelle zu untersuchen, die erhebliche Rechenleistung erfordern. Außerdem lassen sich Simulationen über längere Zeiträume hinweg durchführen, wodurch wir besser verstehen können, wie sich Modelle im Zeitverlauf entwickeln und wie sie auf unterschiedliche Eingaben oder Reize reagieren. Früher waren solche Simulationen durch begrenzte Rechenkapazitäten stark eingeschränkt und konnten mitunter Monate dauern – heute erhalten wir Ergebnisse deutlich schneller.

Ein weiterer wichtiger Aspekt ist die Identifikation geeigneter Modellparameter – etwa für Netzwerkkonnektivität oder -dynamik. Früher suchten Studierende häufig manuell nach Konfigurationen, die biologische Beobachtungen möglichst gut reproduzieren. Heute lassen sich solche Kriterien mathematisch formulieren und mithilfe von Supercomputern große Parameterräume systematisch durchsuchen. Dabei können sogar bisherige Annahmen hinterfragt werden, indem Einflussfaktoren sichtbar werden, die zuvor übersehen wurden.

Hinzu kommen neue Möglichkeiten, Simulationsergebnisse auszuwerten und Daten zu visualisieren, um diese Erkenntnisse wiederum an unsere experimentell arbeitenden Kolleg:innen zurückzuspielen.

Insgesamt bietet HPC einen gemeinsamen Rahmen, um Hypothesen in silico zu entwickeln und zu testen – und trägt damit zu einem stärker integrierten Verständnis des Gehirns bei.

Sie haben 2023 die wissenschaftliche Leitung des SDLN von Abigail Morrison übernommen. Wie fühlt es sich an, diese Rolle zu übernehmen? Sind Sie mit einer bestimmten Mission gestartet?

Es ist eine großartige Gelegenheit, und ich bin sehr dankbar für die Möglichkeit, eine so engagierte Gruppe von Wissenschaftler:innen zu leiten, die sich der Entwicklung neuer Methoden widmet und Kolleg:innen aus unterschiedlichen Forschungsbereichen unterstützt.

Zu Beginn meiner neuen Rolle standen für mich zwei Prioritäten im Vordergrund. Zum einen ging es darum, neue Herausforderungen aufzugreifen, die im Feld entstehen – etwa aktuelle Entwicklungen in der künstlichen Intelligenz, digitale Zwillinge oder Fragen rund um den Zugang zu personenbezogenen Daten. Zum anderen war es mir wichtig sicherzustellen, dass das SDLN weiterhin ein exzellentes und unterstützendes Arbeitsumfeld bleibt: indem wir bestehende Kooperationen weiter ausbauen und unseren Kolleg:innen verlässliche Unterstützung bieten.

Das SDLN-Team. © Simulation and Data Lab Neuroscience

Sie sind nun seit zwei Jahren in dieser Rolle. Hat Sie in dieser Zeit etwas überrascht?

Ich freue mich sehr darüber, wie sich alles entwickelt. Natürlich entstehen fortlaufend neue Herausforderungen. So beobachten wir derzeit tiefgreifende Veränderungen in den Computerarchitekturen, etwa durch neuromorphes Computing oder Quantencomputing. Hinzu kommen Herausforderungen im Zusammenhang mit klinischen Anwendungen – insbesondere in Kombination mit KI –, die nicht nur technische Expertise erfordern, sondern auch rechtliche und ethische Fragen aufwerfen.

Außerdem verfolgen wir mit großer Spannung JUPITER, den neuen Exascale-Rechner am Jülicher Supercomputing Centre, und freuen uns darauf, gemeinsam mit Kolleg:innen herauszufinden, welche neuen Möglichkeiten diese Ressource für die Forschung eröffnet.

Das SDLN ist Teil des Bernstein Netzwerks und fungiert als Bernstein Facility für High Performance Simulation and Data Analysis. Wie arbeitet das SDLN mit Mitgliedern des Netzwerks zusammen – und was kann es für sie tun?

Als Bernstein Facility unterstützen wir Wissenschaftler:innen dabei, Zugang zu unseren Rechenressourcen zu erhalten und diese bestmöglich zu nutzen.

In der Praxis besteht der erste Schritt darin, geeignete Ausschreibungen für Rechenzeit zu identifizieren – einschließlich EBRAINS-spezifischer Angebote. (Hinweis: Weiterführende Verlinkungen finden Sie gesammelt am Ende der Seite.) Forschende können sich darüber hinaus jederzeit mit ihren Forschungsfragen oder spezifischen Herausforderungen direkt an uns wenden. Wir vermitteln dann passende Ressourcen oder organisieren ein Gespräch, um den jeweiligen Anwendungsfall zu besprechen und die beste Lösung zu bestimmen. Bei Bedarf unterstützen wir auch im gesamten Antrangsprozess, einschließlich der Antragstellung.

Darüber hinaus unterstützen wir auch das Benchmarking von Tools auf unseren Systemen. Bei der Entwicklung neuer Methoden können Nutzer:innen ein Testprojekt beantragen, um Software zu portieren, zu testen und zu optimieren – häufig als Vorbereitung auf einen vollständigen Rechenzeitantrag. Dabei ist auch eine erweiterte Unterstützung durch unser Team von bis zu zwei Personenwochen möglich, etwa für Portierung und Optimierung. Im Gegenzug wird erwartet, dass die jeweilige Arbeitsgruppe einen vergleichbaren Beitrag leistet.

Das SDLN fungiert außerdem als Knotenpunkt für Forschende in Deutschland und Europa. Wir vernetzen gezielt Wissenschaftler:innen, fördern Kooperationen und unterstützen dabei, Zugang zu relevanter Expertise und Ressourcen zu ermöglichen.

Was ist der beste Weg für unsere Netzwerkmitglieder, Kontakt mit Ihnen aufzunehmen und den Prozess zu starten?

Der beste Weg ist, uns über unsere Support-E-Mail-Adresse (sdl-neuro@fz-juelich.de) zu kontaktieren. Sie können uns auch persönlich auf der jährlichen Bernstein Conference treffen, wo wir mit einem Stand vertreten sind. Kommen Sie dort gerne mit konkreten Fragen auf uns zu – oder einfach für ein informelles Gespräch.

Innerhalb des SDLN sind Sie nicht nur die wissenschaftliche Leitung, sondern leiten auch das Team „Meta-optimization for bio-inspired networks“. Worum geht es bei diesem Teil Ihrer Arbeit?

Innerhalb des SDLN organisieren wir unsere Arbeit in verschiedenen Teams, die die Bedürfnisse der Community aus unterschiedlichen Perspektiven adressieren. Mein Team konzentriert sich auf die Optimierung großskaliger, vom Gehirn inspirierter Simulationen.

Wir arbeiten an der Schnittstelle zwischen Computational Neuroscience und neuro-inspirierter KI und versuchen, Erkenntnisse aus beiden Bereichen zusammenzuführen. Wir verwenden großskalige Modelle – überwiegend Spiking-Neuronenmodelle, aber auch Feuerraten-Modelle – auf unterschiedlichen Abstraktionsebenen, bis hin zu Ionenkanälen und weiteren morphologischen Details. Diese Modelle nutzen wir, um Fragestellungen des maschinellen Lernens zu bearbeiten und Hypothesen zu Lernen und Entwicklung zu untersuchen.

Der Aspekt der „Meta-Optimierung“ bedeutet, dass wir Netzwerke nicht nur für spezifische Aufgaben optimieren, sondern allgemeinere Ansätze entwickeln.

Sie scheinen viele verschiedene Hüte zu tragen und ganz unterschiedliche Rollen einzunehmen. Wie sieht ein typischer Arbeitsalltag oder eine typische Arbeitswoche bei Ihnen aus?

Ja, es gibt viele Meetings. Ich habe tatsächlich das Gefühl, ständig gedanklich zwischen Themen wechseln zu müssen. Gleichzeitig genieße ich diese Vielfalt sehr – unterschiedliche Perspektiven kommen zusammen, um Fragen der Hirnforschung zu bearbeiten. Das reicht von der Vorbereitung von Simulationswerkzeugen und der Entwicklung neuer Lehrmaterialien für Studierende bis hin zur Fertigstellung eines Manuskripts oder der Erkundung neuer Technologien und ihrer Einsatzmöglichkeiten. Ich wünschte allerdings manchmal, ich hätte etwas mehr Zeit zum Programmieren – aber ich weiß, dass das ein Luxus ist!

Ist das die Art von Karriere in den Neurowissenschaften, die Sie sich vorgestellt haben?

Ich fühle mich hier sehr zuhause. Das SDLN ist ein großartiges Arbeitsumfeld, und meine Kolleginnen und Kollegen fühlen sich wie eine Familie fern der Heimat an. Ich war schon immer jemand, der gerne Probleme löst, und das passt sehr gut zur Arbeitsweise des SDLN. Deshalb habe ich das Gefühl, genau am richtigen Ort zu sein.

Kommen wir noch einmal auf das Bernstein Network zurück. Neben Ihrer Leitung einer Bernstein Facility sind Sie kürzlich nach Ihrer Wahl auf der Mitgliederversammlung während der Bernstein Conference 2025 dem Steering Committee des Netzwerks beigetreten. Was hat Sie zu Ihrer Kandidatur motiviert? Was möchten Sie in dieser Rolle für das Netzwerk bewirken?

Es ist eine Ehre, Teil des Bernstein Networks in dieser neuen Rolle zu sein. Mein Ziel ist es, HPC innerhalb des Netzwerks stärker in den Vordergrund zu rücken und Kooperationsmöglichkeiten sichtbarer sowie für die Mitglieder leichter zugänglich zu machen. Obwohl HPC manchmal vor allem als Werkzeug wahrgenommen wird, bin ich überzeugt, dass es starke und wertvolle Verbindungen zur Computational Neuroscience gibt, die weiter ausgebaut werden können.

Gibt es noch etwas, das Sie gerne teilen möchten?

Ich möchte die Kolleginnen und Kollegen im Bernstein Network ermutigen, zu prüfen, wie HPC ihre Forschung unterstützen kann. Wir würden uns sehr freuen, von Ihnen zu hören und mögliche Kooperationen zu besprechen.

Außerdem möchte ich allen Mitgliedern des SDLN für ihre tägliche Arbeit zur Unterstützung der Community und zur Entwicklung neuer Methoden danken sowie dem Bernstein Network für die Möglichkeit, unsere Arbeit vorzustellen und Teil des Netzwerks zu sein.

Vielen Dank für Ihre Zeit!

Interview: E. Reiriz Martínez (Bernstein Koordinationsstelle/Bernstein Netzwerk), Januar 2026