高性能计算之源起——科学计算的应用现状及发展思考(下)

摘要

现代科学研究和工程技术中，高性能计算应用将建模、算法、软件研制和计算模拟融为一体，已成为高性能计算机实现在重大科学发现的前沿基础科学研究领域应用的必要纽带。文章从高性能计算机的发展趋势、不同科学计算应用对高性能计算机的需求谈起，回顾和剖析了来自中国科学院多个学科的科学家协同通关，发挥学科深度交叉的优势，在“曙光1000”并行计算机上完成了多个应用软件并在天然DNA的整体电子结构理论计算、激光晶体材料（LBO）电子态理论分析及广义本征值并行计算等方面取得了令人瞩目的高水平成果的案例。多年来，中国科学院始终位列我国科学计算应用发展的前沿。在应用水平、计算规模及成果显示度均取得了长足进步的背景下，文章选取了大气科学、生命科学、高能物理、计算化学和材料科学等典型传统科学计算应用，从科学家的视角对它们的现状、领域发展促进及未来趋势作了介绍，以期能引发读者更深入的思考与关注。最后，提出了进一步发展我国科学计算的若干建议。

关键词：科学计算    高性能计算机    高性能计算应用

传送门：

3.5 计算化学之第一原理计算

3.5.1 现状

第一性原理（First-principles）材料模拟的主要任务即从密度泛函理论（Density Functional Theory，DFT）出发，在无任何经验参数的条件下从头计算分子和固体材料的物理化学性质及其应用。第一性原理电子结构计算软件包括了一些有史以来计算成本最高的科学应用程序，无论是硬件还是软件发展方面，它们（如VASP、Gaussian、NWChem等）总是经常处于对高性能计算能力需求的最前沿。为了通过密度泛函理论数值计算求解具体的物理化学问题，需要采用基组展开等方法将DFT方程离散成计算机可以识别和操作的数组和矩阵，从而获得材料中所有原子周围的电子密度，进而计算出材料的电子结构及其他重要特性。第一性原理软件包大致可以分为平面波基组软件、原子轨道线性组合（LCAO）基组软件、混合型平面波和高斯基组软件。如果从计算复杂度（包括计算时间和内存）上区分，第一性原理电子结构计算方法可以分为传统的高标度法和线性标度法。

当今国际上的高性能第一性原理计算软件（包括低标度和高标度）并不多，仅有LS3D、CP2K、NWChem、BigDFT、DGDFT和Qbox等可实现中等规模高性能并行计算（10 000个CPU核以上），其中LS3D和Qbox曾获得“戈登·贝尔”奖。另外，DGDFT和国内商业软件PWmat还采用了图形处理器（Graphics Processing Unit，GPU），GPU加速大大地提高了计算效率。同时，VASP、Gaussian、NWChem和BigDFT等软件也正在发展GPU加速模块。

3.5.2 对领域应用的促进

通过输入的材料结构信息，第一性原理计算可较为准确地预测已知材料的基态结构和基本物理化学性质，并实现原子级别的精准控制。这已成为21世纪解决实验理论问题和预测新材料结构性能的强有力工具和标准研究方法。该方法不需要开展真实的实验，极大地节省了成本，缩短了新材料的开发周期，为材料的制备和改性、新材料的开发以及极端环境下材料的性质研究提供了有效的理论指导。然而，由于计算量极大，第一性原理材料模拟领域的科研人员对软件性能和计算资源的需求越来越大。高性能计算的快速发展为第一性原理计算提供了机遇，使其在凝聚态物理学、材料科学、化学和生物学等领域发挥着日渐重要的作用，包括模拟并解释实验新现象，分析其本征物理机制，以及设计新型功能材料并预测新奇性质等，取得了很多重要科研成果。可以说，第一性原理计算体现了量子力学理论与高性能计算之间的高度结合，实现了理论-模拟-实验三位一体的科研模式，并引发了材料科学的革新。

3.5.3 发展趋势

事实上，第一性原理计算现已成为高性能计算中应用最广泛和最活跃的领域。该领域研究的快速发展不仅归功于理论、算法和软件进步，更得益于计算机硬件能力的指数级增长，包括处理器速度和数目的增加、内存容量和速度的增长、大规模并行处理能力的提高等。随着计算机硬件和算法软件的发展，高性能计算机的计算能力飞速提高，第一性原理计算应用领域也将大步前进。更精确、更大体系的第一性原理计算以及更长时间尺度的分子动力学模拟都将成为可能，其计算结果也将更加接近真实体系，从而使第一性原理计算发挥更大作用。

3.6 材料科学之钛合金微观组织演化

3.6.1 现状

由于结构材料的复杂性和应用对性能的多方面需求，一种新材料从设计到应用往往需花费20年以上。以航空发动机用钛合金为例，对其强度、模量、韧性、疲劳、蠕变、氧化、腐蚀等方面性能均有很高要求，此外还需长寿命、高可靠、低成本。发达国家在航空航天材料方面有近百年的积累，而我国虽经几十年的研究，也有很多自己的合金牌号，但许多关键材料仍无法自给，其原因之一是基础研究不足。

21世纪以来，人们逐渐认识到计算模拟对新材料研发的促进作用，美国先后启动了“集成计算材料工程”（ICME）[20, 21]和“材料基因组计划”（MGI）[22-24]，希望借助计算加速新材料的研发，同时降低成本。我国2016年启动了材料基因工程计划，希望结合计算及实验，促进钛合金等多种关键材料的研发，以满足航空航天及燃气轮机等的需求。

3.6.2 对领域应用的促进

在新材料的研发与优化方面，多尺度模拟在合金化效应计算与合金元素筛选，微观原子变形机制的揭示，不同条件下的微观组织演化以及热加工工艺的优化等方面都起到重要作用，而这些都需要以高性能计算为基础。中国科学院金属研究所在国内率先集成多尺度模拟与实验研究，研发出应用600℃的高温钛合金Ti60和应用于人体的低模量钛合金Ti2448，并对TiAl合金叶片的应用等方面起到了重要推动作用，但仍无法满足航空、航天、航海、能源等对新材料的巨大需求。上述对性能的多方面需求，均需以材料的成分和组织为保证。尽管先进的测试手段不断涌现，但仍无法满足合金形变、相变机制及组织演化等的理解。例如，保载疲劳从20世纪70年代开始，一直制约着钛合金的高效应用。

中国科学院计算机网络信息中心张鉴团队与中国科学院金属研究所合作开展合金微结构演化相场模拟研究，研发了合金微组织演化大模拟并行软件ScETDPF。它是基于可扩展紧致指数时间差分算法库的相场模拟软件，支持计算材料科学、计算物理学、计算生命科学等学科的计算模拟，实现了国际上最大规模的合金微结构粗化相场模拟，有助于加快我国新型合金的设计和加工工艺优化。团队应用ScETD-PF软件在“神威·太湖之光”超级计算机上运行合金微结构粗化过程相场模拟，规模较以往提高近百倍，实现了超过千万核的扩展性能，相场模拟实际性能达到峰值的40%，远高于普通软件约5%的水平。该软件入围了2016年“戈登·贝尔”奖候选名单[25]。

3.6.3 发展趋势

国产计算系统的研发将改变我国过去以实验和仿制为主的新材料研发模式。通过计算模拟筛选合金成分，揭示形变、裂纹萌生的微观机理，探索不同微观组织的形成机制及其对性能的影响，为材料性能控制指明方向。甚至在材料制备之前即可模拟其在不同应用下的性能，从而大幅度减少实验次数及时间，显著提升创新能力。还可通过模拟，根据新部件设计对材料提出新要求，实现材料的按需设计，最终提升航空航天等系统的水平。

3.7 计算材料学之材料结构预测

3.7.1 现状

材料是国民经济的基石，是实现制造业转型升级的重要基础。随着计算机模拟技术的发展，流体力学、材料和医疗等专业领域也开始使用模型辅助科学研究。由于其问题的复杂性，这些领域的模型参数优化使用单一的优化算法或者适应度计算方法无法有效解决问题，比如某些方法精度高但运行时间长，而某些方法需要苛刻的前置条件。因此，在这些领域通常采用多种方法结合的方式进行参数优化，即由不同步骤组合起来进行问题求解，从而发挥各个方法的优点，更有效率的解决问题。同时，应用领域有很多商业软件，不提供相应SDK（软件开发工具包），整个流程通常只能采用脚本语言（如Shell语言）对各个步骤进行连接。

3.7.2 对领域应用的促进

多步骤参数优化算法的典型场景是材料学领域的晶体结构预测算法。目前常见的结构能量计算方法有分子动力学模拟的方法和基于第一性原理的密度泛函理论（DFT）方法。DFT方法能够提供更准确的结构能量，但计算成本很高。以TiO2晶体为例，采用分子动力学软件LAMMPS计算其能量，平均耗时为169 ms（100次实验的统计结果，下同）；而采用DFT软件VASP计算其能量，平均耗时为10 309.27 s，两者相差将近6万倍。在DFT软件的基础上采用参数优化算法搜索结构晶体状态，其时间成本很可能超出科学家可接受时间上限。由此可见，单纯采用分子动力学方法进行结构能量模拟，很难获得和DFT方法同等的模拟精度；而单纯采用DFT方法，随着分子结构复杂度上升，其时间成本越来越昂贵。

3.7.3 发展趋势

多步骤参数优化算法较好地解决了这个问题。目前该领域通常是将两种方法结合，在不明显影响系统效率的情况下，有效提升模拟方法的精确度。美国Ames国家实验室提出一种AGA（Adaptive Genetic Algorithm）算法，其采用遗传算法进行给定结构的晶体状态搜索，在GA计算个体适应度时，采用分子动力学方法模拟结构能量。同时，创造性地添加了Adaptive loop模块，将GA生成的数个最优结构交与第一性原理DFT方法重新精确计算其结构能量，再采用Force-Matching方法基于精确信息对分子动力学方法的势参数进行耦合，从而提升分子动力学方法的精确性。如此组成大循环，直至收敛。

3.8 计算宇宙学之天文N体计算模拟

3.8.1 现状

宇宙学模拟是理解星系形成、暗物质、暗能量等重大科学问题的重要手段，从计算技术方面来讲，宇宙学模拟涉及的物理过程之多、动力学范围之大、计算方法之复杂、计算规模之大，一直是反映国际高性能计算发展水平的典型代表。其中最核心的N体问题模拟及其应用先后9次获得“戈登·贝尔”奖，这充分显示N体问题相关算法及其应用的重要性和并行实现的技术难度。

日本东京大学的Ishiyama和Makino等开发了N体问题并行数值模拟软件GreeM，并在富士通“京”超级计算机上通过各种性能优化技术，在国际上率先实现了万亿粒子规模的宇宙学N体模拟。

我国在宇宙学N体问题大规模模拟方面近几年取得重要突破。中国科学院国家天文台计算天体物理重点实验室和中国科学院计算机网络信息中心合作，在国际上率先发展了基于MIC/CPU混合架构的宇宙学N体模拟软件PhontoNs。该软件在“ Intel并行应用挑战赛2014”的两个奖项上均获得了亚军。

3.8.2 对领域应用的促进

2015年北京师范大学张同杰率领的研究团队开发了Tian-Nu软件，在“天河二号”上成功进行3万亿粒子数的中微子和暗物质的宇宙学N体问题模拟，揭示了宇宙大爆炸1 600万年后至今的137亿年的演化进程[26]。该软件基于P2P和PM的耦合算法，模拟结果已发表在《自然-天文》（Nature Astronomy）上，获得了国际宇宙学领域的高度关注。

3.8.3 发展趋势

目前国际上成熟的宇宙学模拟软件均基于纯CPU的传统超级计算机，而大型超级计算机的主流发展方向是深度异构。在异构计算环境下对超大规模粒子体系进行快速模拟需要研究如何提高算法的并行可扩展性，尤其需要解决动态模拟过程中粒子分布不均时的负载均衡问题。另外，还需要研究众核异构平台上的性能优化技术、分布式八叉树周游的计算与通信重叠技术、三维FFT大规模可扩展性并行划分与通信。中国科学院计算机网络信息中心正在与中国科学院国家天文台合作，针对国产超级计算机，通过并行异构算法设计以及代码优化，研发能够满足宇宙学超大规模数值模拟需求的引力场N体模拟软件。基于国产计算系统的天文N体计算模拟软件将实施千亿量级及以上规模的高效率宇宙学模拟，为国际大型星系巡天、暗物质、暗能量大型探测计划，以及我国重大科学工程500米口径球面射电望远镜（FAST）和空间站巡天望远镜等大科学装置提供必要的数值模拟支撑。

3.9 计算生物学之基因测序

3.9.1 现状

从管中窥豹的DNA分子排列，到暗藏杀机的复杂遗传疾病；从小分子代谢物流转不息，到眼角眉梢的巧笑嫣然；见微知著地贯通微观到宏观是无数遗传学家思考毕生的问题。前瞻性队列研究是流行病学的基本观察性研究设计之一，自20世纪70—80年代起，世界各国陆续开始建立长期随访的人群队列。新建立的人群队列，如中国法医分子画像样本库、荷兰Rotterdam队列、英国双生子队列、英国ALSPAC队列、美国波士顿队列、澳大利亚QIMR队列、拉丁美洲CANDELA队列等，其规模越来越大，且包含较为全面的健康结局信息、环境暴露信息和社会学信息。这些数据具备部分大数据的特征：大型队列的规模已经达到了50万种样本以上，且采样精度不断提高，通过整合基因组学、转录组学、表观组学、蛋白组学、代谢组学、免疫组学和影像组学等多维数据，数据量迅速扩大；表型数据包含非结构化图像、音、视频等高度异质性数据，并且存在复杂的关联关系，呈现出多样性和异质性；借助电子健康记录及智能传感设备，数据更新频繁。深入解析这些数据是精准医学和DNA表型刻画等多领域的核心目标，在复杂疾病的个性化预防、诊疗和指导公安刑侦破案等方面有重要的应用价值。

3.9.2 对领域应用的促进

随着测序技术不断发展和各国对普惠健康领域投入的增加，新建立的人群队列规模越来越大，且包含较为全面的健康结局信息、环境暴露信息和社会学信息，这些数据具备部分大数据的特征。未来由队列联盟整合的跨国人群队列的样本规模会达到千万级，传统分析手段的处理效率难以适应数据的产生速度。与此同时，借助电子健康记录及智能传感设备的实用，频繁更新的多维表型组学数据形成了高度异质的数据集合。深入解析这些数据需设计高效合理的数据库架构以对多源、异构数据的清洗、标准化和存储，并引入新算法进行处理。

3.9.3 发展趋势

面对样本量和数据维度的爆炸性增加，生物信息学也迎来了技术拐点。科研界和工业界共同发力，许多经典的生物信息学算法和流程通过使用高性能计算资源，提高了生产效率，增强了系统易用性，降低了存储管理难度；而针对高性能计算平台开发的机器学习、深度学习算法，也在解析多维数据复杂因果关系及交互作用网络方面崭露头角。以经典的全基因组关联分析为例，配合高性能运算平台的高算力开发的新统计学习算法，可以极大提高统计效力，从而发现以前未发现的影响人类复杂表型的遗传因子，深入理解其遗传结构。对于复杂疾病来说，这能够提供明确的分子通路和基因靶标，进而完善复杂疾病的个性化预防、诊疗、分子分型、预后等健康管理方案。对于人类复杂外貌表型来说，也可以基于发现的遗传因子建立外貌表型预测模型，推动协助刑事案件侦查、海关检验和移民管理等工作进入主动、精确、智能的新时代。将来，高性能计算将进一步推动面向生命科学研究的机器学习和深度学习的算法开发，助力数据聚类、建模预测、文本挖掘、图像识别等领域开展数据驱动型研究。

4 关于我国科学计算发展的若干建议

历经30年，我国的科学计算由起步发展至今，在诸多研究领域取得了长足的进步，但仍需面对E级超算（E级超算是指每秒可进行百亿亿次浮点运算（1018 Flops）的超级计算机，是全世界公认的“超级计算机的下一顶皇冠”）的新挑战。高性能计算机的体系结构越来越复杂，其特征是处理器和加速器部件的复杂深度异构、单处理器内众核、单节点内多处理器、数万计算结点、多级存储系统和超高速内部互联网络，这对应用软件的研制提出了众多挑战。

我国经过多年的努力和投入，超级计算机硬件基础设施能力已达国际先进水平。但由于在科学计算软件方面如基础算法库、并行算法库、高性能计算应用中间件和各学科领域应用软件缺乏稳定投入和长期积累，导致我国科学计算应用各环节均严重依赖国外。特别是使用国外软件占比高达90%以上，这已成为制约我国高性能计算进一步发展的“卡脖子”问题。

为了更好地发展我国的科学计算应用和加强研发应用软件，今后应战略性布局和规划我国科学计算的发展路线和实施计划，具体给出5点建议。

（1）设立国家级高性能计算软件研发中心，并给予长期稳定支持。针对国产处理器研发若干重要领域的科学计算软件；通过挖掘若干应用领域的科学问题，以应用需求为导向，设立长期稳定的科学目标。围绕该目标，开展长期、持续的软件研发。

（2）大力加强高性能计算应用中间件的开发。近年来，在国家“ 863”计划和重点研发计划“高性能计算”专项的支持下，我国科研工作者成功研制了三维并行结构自适应软件框架JASMIN[[27]和三维并行自适应有限元软件平台PHG[[28]。中国科学院计算机网络信息中心科研人员在计算科学应用研究中心支持下，正研发并行计算框架SC Tangram。通过框架支撑，并行计算细节可对应用科学计算研究人员屏蔽，使其可集中于物理模型和计算方法创新并加速计算程序与新方法、新模型的融合，最终实现大规模并行计算应用软件的快速开发。

（3）进一步在国家战略层面加强科学计算应用软件的规划和开发。科学计算应用软件是计算科学和应用科学领域交叉融合的产物，涉及面广。仅仅依靠高等院校和科研院所的研究人员凭兴趣自发或是零散的研发应用是远远不够的，应从国家战略层面和科学问题的需要出发，以需求为牵引，以需要解决问题为目标，制定10年甚至更长时间的规划并坚定地执行方才能见到成效。

（4）提高科学计算应用的基础研究水平。科学计算能力包括计算机软件硬件、支撑软件以及算法的能力。只有提高科学计算应用的基础研究水平，才能对高性能计算机的软硬件提出更高的需求，从而推动高性能计算应用向着更深层次和更高水平发展。大力发展复杂异构系统上的各种精度的混合计算方法，加强高性能体系结构发展与算法、软件的互动。

（5）大力加强计算科学和应用学科的复合型人才培养。科学计算涉及应用科学、计算机科学、数学等多个学科，必须在高等教育、继续教育以及研究院所等层面开展相关培养工作，加大经费支持，建立适合的评价机制，鼓励研究人员从事计算应用软件的研发，提高待遇，从而形成可持续性发展的局面。

致谢 

感谢中国科学院大气物理研究所刘海龙和唐晓、中国科学院上海药物研究所于坤千、中国科学院高能物理研究所陈莹、中国科学技术大学胡伟、中国科学院金属研究所徐东生、中国科学院北京基因组研究所刘凡、中国科学院计算机网络信息中心王彦堈和王武提供了相关科学计算应用的文字材料；感谢中国科学院物理研究所王鼎盛院士提供珍藏了20多年的、发表在《人民日报》和《中国科学报》上的有关“曙光1000”攻关的报道。

参考文献

[1]Dongarra J, Beckman P, Moore T, et al. The international exascale software project roadmap[J].  International Journal of High Performance Computer Applications, 2011, 25(1): 3-60.

[2]迟学斌, 赵毅. 高性能计算技术及其应用[J].  中国科学院院刊, 2007, 22(4): 306-313. DOI:10.3969/j.issn.1000-3045.2007.04.012

[3]陈志明. 科学计算:科技创新的第三种方法[J].  中国科学院院刊, 2012, 27(2): 161-166. DOI:10.3969/j.issn.1000-3045.2012.02.004

[4]中国科学院数理学部"高性能计算战略研究"咨询组. 加速发展我国高性能计算的若干建议[J].  科研信息化技术与应用, 2008, 1(3): 1-7.

[5]Colella P. Defining software requirements for scientific computing//Patterson D. Can Computer Architecture Improve Scientific Productivity?[2019-6-10]. http://www.lanl.gov/conferences/salishan/salishan2005/supinski.pdf. 

[6]陈援.中科院"高性能并行计算"联合攻关组运用曙光1000喜获多项成果.中国科学报, 1996-03-15(2). 

[7]魏芳, 陈援.中科院"高性能并行计算"联合攻关获多项高水平成果.人民日报(海外版), 1996-03-30(4). 

[8]Yang C, Xue W, Fu H, et al. 10M-core scalable fullyimplicit solver for nonhydrostatic atmospheric dynamics//SC'16 Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis, Article No. 6, Salt Lake City, Utah, November 13-18, 2016. 

[9]刘海龙.高分辨率海洋环流模式和热带太平洋上层环流的模拟研究.北京: 中国科学院研究生院, 2002. 

[10]张学洪, 俞永强, 刘海龙, 等. 海洋环流模式的发展和应用Ⅰ.全球海洋环流模式[J]. 大气科学, 2003, 27(4): 607-617. DOI:10.3878/j.issn.1006-9895.2003.04.12

 [11]王文浩, 姜金荣, 王玉柱, 等. 海洋模式LICOM的MIC并行优化[J].  科研信息化技术与应用, 2015, 6(3): 60-67.

[12]Martin M, Singh D, Mourino J, et al. High performance air pollution modeling for a power plant environment[J]. Parallel Computing, 2003, 29: 1763-1790. DOI:10.1016/j.parco.2003.05.018

[13]Lieber, M, Wolke, R. Optimizing the coupling in parallel air quality model systems[J].  Environmental Modelling & Software, 2008, 23(2): 235-243.

[14]朱云, Lin Che-jen, 陈春贻, 等. 64位Linux并行计算大气模型效率优化研究[J]. 计算机应用研究, 2009, 26(6): 2266-2269. DOI:10.3969/j.issn.1001-3695.2009.06.081

[15]王自发, 吴其重, Gbaguidi A, 等. 北京空气质量多模式集成预报系统的建立及初步应用[J].  南京信息工程大学学报(自然科学版), 2009, 1(1): 19-26.

[16]Wang H, Lin J, Wu Q, et al. MP CBM-Z V1.0:design for a new Carbon Bond Mechanism Z (CBM-Z) gas-phase chemical mechanism architecture for next-generation processors[J]. Geoscientific Model Development, 2019, 12(2): 749-764. DOI:10.5194/gmd-12-749-2019

[17]Wang Y, Chen H, Wu Q, et al. Three-year, 5 km resolution China PM2.5 simulation:Model performance evaluation[J]. Atmospheric Research, 2018, 207: 1-13. DOI:10.1016/j.atmosres.2018.02.016

[18]Shaw D, Dror R, Salmon J, et al. Millisecond-scale molecular dynamics simulations on Anton//SC'09 Proceedings of the Conference on High Performance Computing Networking, Storage and Analysis, Article No. 39, Portland, Oregon, November 14-20, 2009. 

[19]Shaw D, Grossman J, Bank J, et al. Anton 2: Raising the bar for performance and programmability in a special-purpose molecular dynamics supercomputer//SC'14 Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis, pp. 41-53, New Orleans, Louisiana, November 16-21, 2014. 

[20]杜勇, 李凯, 赵丕植. 研发铝合金的集成计算材料工程[J].  航空材料学报, 2017, 37(1): 1-18.

[21]李波, 杜勇, 邱联昌, 等. 浅谈集成计算材料工程和材料基因工程:思想及实践[J].  中国材料进展, 2018, 38(7): 506-525.

[22]关永军, 陈柳, 王金三. 材料基因组技术内涵与发展趋势[J].  航空材料学报, 2016, 36(3): 71-78.

[23]Christodoulou J. Integrated computational materials engineering and materials genome initiative:Accelerating materials innovation[J].  Advanced Materials & Processes, 2013, 171(3): 28-31.

[24]刘梓葵. 关于材料基因组的基本观点及展望[J].  科学通报, 2013, 58(35): 3618-3622.

[25]Zhang J, Zhou C, Wang Y, et al. Extreme-scale phase field simulations of coarsening dynamics on the Sunway Taihulight supercomputer//SC'16 Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis, Article No. 4, Salt Lake City, Utah, November 13-18, 2016. 

[26]Yu H, Emberson J, Inman D, Zhang T, et al. Differential neutrino condensation onto cosmic structure[J]. Nature Astronomy, 2017, 1: 0143. DOI:10.1038/s41550-017-0143

[27]莫则尧, 张爱清. 并行自适应结构网格应用支撑软件框架JASMIN用户指南[J]. 北京应用物理与计算数学研究所技术报告:T09-JMJL-01, 2009. 

[28]张林波, 郑伟英, 卢本卓, 等. 并行自适应有限元软件平台PHG及其应用[J].  中国科学:信息科学, 2016, 46(10): 1442-1464.

本文摘抄自《中国科学院院刊》2019年第6期

由金钟、陆忠华、李会元、迟学斌、孙家昶等撰写

原文链接：http://www.bulletin.cas.cn/publish_article/2019/6/20190605.htm

相关

最新

技术

关于云端

深圳云端软件有限公司（Cloudam）是弹性算力与云成本优化的技术领导者，为企业打造一站式的算力云平台及自动化云成本优化服务。云端软件推出的云E算力平台整合了全球主流公有云近50个地域的高性能计算资源，能为人工智能、仿真模拟、生物科技、材料化学等行业提供弹性、高效、经济的算力支持。

Cloudam成立于瑞典斯德哥尔摩，在深圳及斯德哥尔摩两地运营，团队核心成员来自于Oracle、Ericsson、IBM、华为等知名企业，拥有15年以上的世界500强企业技术服务经验和研发背景，已成功为欧洲及中国多家企业提供产品和技术服务。

分享、在看与点赞

了解更多高性能计算与云的知识