Company Core Technologies

Software Architecture and Design

Der Forschungsbereich Software Architecture and Design entwickelt Architekturparadigmen für sich selbst weiterentwickelnde Industriesoftware. Wir verwandeln statische Blaupausen in „lebendige“ Softwarearchitekturen. Diese ermöglichen es Systemen, sich proaktiv neu zu erfinden. Gleichzeitig gewährleisten wir die Korrektheit in komplexen Umgebungen.

Publikationen lesen

Was wäre, wenn Industriesoftware nicht mehr nur ein statisches Werkzeug wäre, sondern eine lebendige Architektur, die sich selbst weiterentwickelt, um stets korrekt zu bleiben?

In unserer Forschung gestalten wir die Zukunft des digitalen Portfolios von Siemens neu. Dazu entwickeln wir Softwarearchitekturen, die auf Weiterentwicklung ausgelegt sind. Wir wandeln starre Blaupausen in sich dynamisch anpassende Architekturartefakte um, die Komplexität proaktiv bewältigen. Durch die Integration von operativer Autonomie und Selbstwahrnehmung in die Kernarchitektur stellen wir sicher, dass unsere Software auch bei sich ständig ändernden Umgebungen und Anforderungen widerstandsfähig und fehlerfrei bleibt.

Was zählt, ist die Weiterentwicklung der Softwarearchitektur von einer starren Vorlage zu einem Artefakt, das sich dynamisch anpasst und während seiner gesamten Weiterentwicklung die Korrektheit bewahrt.

Geteiltes Bild, das abstrakte Neon-Glasblöcke und einen Entwickler zeigt, der an mehreren Monitoren arbeitet

Zwei Kollegen, die in einem modernen Büro zusammenarbeiten und auf einen Laptop-Bildschirm blicken

In der Forschung zum Thema Software Architecture and Design liegt der Fokus auf dem Übergang von statischen Blaupausen zu lebendigen Softwarearchitekturen. Wir definieren die Prinzipien für sich selbst weiterentwickelnde Softwarearchitekturen sowie die architektonischen Qualitätsmerkmale, die für eine funktionsfähige Autonomie erforderlich sind. Unsere Arbeit treibt die strategische Architekturentwicklung und die Modernisierung des Portfolios voran und ebnet so den Weg für KI-native Softwareparadigmen.

Zu den wichtigsten Forschungsbereichen zählen Selbstwahrnehmung für Softwaresysteme, Frameworks für die Selbstevolution, der Entwurf föderierter Softwarearchitekturen, autonome Steuerung und KI-gestützte Datenintegration. Ein zentraler Pfeiler unseres Fachgebiets ist die Entwicklung von Korrektheitshüllen und Verifikationswerkzeugen. Durch die Integration von Selbstwahrnehmung und Rückverfolgbarkeit in den architektonischen Kern stellen wir sicher, dass komplexe industrielle Systeme und agentenbasierte Architekturen während ihrer gesamten Entwicklung widerstandsfähig, vertrauenswürdig und korrekt bleiben.

Diese Company Core Technology konzentriert sich auf die Entwicklung selbstweiterentwickelnder und föderierter industrieller Softwareanwendungen mithilfe fortschrittlicher Softwarearchitektur-Frameworks. Wir treiben die strategische Weiterentwicklung dieser Architektur voran und stellen sicher, dass unsere Software auch in Umgebungen mit hohen Anforderungen korrekt und vertrauenswürdig bleibt. Mithilfe von Korrektheitshüllen und architektonischen Merkmalen für operative Autonomie ermöglichen wir es industriellen Anwendungen, sich proaktiv anzupassen und gleichzeitig die Betriebsintegrität aufrechtzuerhalten.

Neben der Grundlagenforschung zu „lebendigen” Architekturprinzipien bietet diese Company Core Technology auch fachkundige Beratung, Architekturüberprüfungen und technische Bewertungen. Als bereichsübergreifendes Fachgebiet liefert sie die Architekturmuster und zukunftssicheren Leitlinien, die für die Entwicklung robuster, industrietauglicher Software in allen Geschäftsbereichen von Siemens erforderlich sind.

Icon für Software Architecture and Design

Publikationen

Entdecken Sie ausgewählte Fachbeiträge

The few-shot dilemma: Over-prompting large language models

Published in: 2025 3rd International Conference on Foundation and Large Language Models (FLLM)
Yongjian Tang; Doruk Tuncel; Christian Koerner; Thomas Runkler

Over-prompting occurs when excessive examples in prompts degrade LLM performance, challenging traditional few-shot learning assumptions. To study this dilemma, a prompting framework evaluated random sampling, semantic embedding and TF-IDF vector selection across models like GPT-4o, DeepSeek-V3, and LLaMA-3.1. Results show that too many domain-specific examples paradoxically harm accuracy. Tested on software requirement datasets, gradually increasing stratified and TF-IDF-selected examples revealed optimal prompt sizes. This approach avoids over-prompting while outperforming state-of-the-art requirement classification by 1%.
View at publisher's page

LLM-based agentic systems for software engineering: Challenges and opportunities

Submitted to: SE2026, Gesellschaft für Informatik, Bonn
Yongjian Tang, Thomas Runkler

Despite LLM advancements, complex software engineering tasks demand collaborative, specialized approaches. This paper systematically reviews the emerging paradigm of LLM-based multi-agent systems across the entire software development lifecycle, including requirements engineering, code generation, testing and debugging. It examines model selection, evaluation benchmarks, agentic frameworks and communication protocols. Additionally, the work highlights key challenges like orchestration, human-agent coordination, cost optimization and data collection, offering essential insights into the state of agentic software engineering.
View at publisher's page

Model-driven legacy system modernization at scale

Published in: ReCode '26: Proceedings of the 1st Workshop on Code Translation, Transformation, and Modernization, pages 13 ‑ 18
Tobias Böhm, Jens Guan Su Tien, Mohini Nonnenmann, Tom Schoonbaert, Bart Carpels, Andreas Biesdorf

This experience report presents a four-stage model-driven approach (analysis, enrichment, synthesis, transition) that inserts a technology-agnostic intermediate model between legacy codebases and modern target platforms. Applied to a large industrial .NET application, it semi-automatically migrates user interfaces and page structures to modern web stacks while preserving functional behavior. By consolidating architectural knowledge into explicit models, it improves maintainability and developer experience. Despite layout challenges requiring manual effort, the approach reduces risk, scales effectively and offers reusable patterns.
View at publisher's page

Bridging formal syntax and LLM semantics: Extracting knowledge graphs for legacy code understanding

Published in: 2026 IEEE 23rd International Conference on Software Architecture Companion (ICSA‑C)
Henrik Thillmann; Bernhard Rumpe; Andreas Biesdorf

Established enterprises often rely on legacy systems that are difficult to maintain due to outdated languages and unclear identifiers. However, replacing these systems poses the risk of losing their proven reliability. Large language models can assist with architecture recovery and modernization, but they require precise context management. Since code is a parseable formal language, retrieval can exploit program structure instead of relying on unstructured text. We propose a parsing-based methodology to build a structure-aware knowledge graph for GraphRAG. This approach demonstrates improved retrieval precision and multi-hop architectural reasoning in an industrial case study.
View at publisher's page