4月12日,2024 ASC世界大学生超级计算机竞赛(ASC24)总决赛进入第二个正式比赛日,25支队伍继续展开比拼,今天的比赛内容是渗流数值模拟、火星大气模拟,以及现场公布的神秘应用——新型材料非平庸电子结构计算。组委会今天还公布了昨日竞赛项目的各队成绩。在昨日进行的超级团队赛中,由上海大学、南方科技大学、齐鲁工业大学、西南石油大学、香港理工大学组成的超级团队取得地震波模拟赛题的最佳成绩。在昨日进行的AI赛题大模型推理优化中,浙江大学队表现出色,获得了全场最高分。

ASC专家委员会主席、图灵奖获得者、田纳西大学杰出教授Jack Dongarra今天来到比赛现场,并和各参赛队同学们就超算方案、遇到的问题和解决办法、比赛中的收获等做了亲切交流。Jack Dongarra表示:“很高兴能够来到总决赛现场,ASC超算竞赛汇聚了一大批科技青年,看到学生们挑战科学应用、克服挑战的场景,总让我觉得非常有趣。”

Jack Dongarra与参赛队员在比赛现场合影
渗流数值模拟是e Prize计算挑战奖的指定赛题,要求各参赛队伍模拟石油开采场景中油、气、水等多相流体的渗流情况,并优化大规模并行计算过程,提升离散算法的计算性能和并行效率。与初赛中理想状态下的算例不同,决赛模拟算例中流体运行情况更为复杂,算例包含的网格分辨率也更高,赛题总计算量呈指数级别增加。福州大学队表示:“渗流数值模拟软件OpenCAEPoro的代码结构比较复杂,我们在赛前改进了内存分配和计算结构,将计算性能提升了两倍左右,今天在多机环境下进行了实践,积累了很多经验。”

谈到渗流模拟赛题,香港理工大学队表示:“团队中有化学专业的同学,他向大家普及了流体力学的知识。我们还查阅了相关论文和资料,从数学的角度对赛题进行了分析,以便更好地理解和解决该赛题中的问题。通过这种跨学科的交流合作,队员之间互相学习、共同提高。”

火星大气模拟赛题要求参赛队伍在新一代火星大气模式GoMars的动力框架下,通过优化并行通信和提高计算负载均衡,尽可能提升程序运行效率,以实现对火星大气状态更加精细、高效的求解预测。参赛团队不仅需要深入理解和掌握GoMars框架,还要发挥高性能并行计算能力,在模拟精度、效率等多个维度中进行合理的平衡。
神秘应用赛题为新型材料非平庸电子结构计算,所使用的WannierTools是一款基于紧束缚模型研究材料拓扑物性的开源软件。这道赛题考察参赛者对石墨烯的朗道能级计算及拓扑材料表面态计算方法的理解,以及代码编译运行与程序优化的能力。
超级团队赛题是地震波模拟。由上海大学、南方科技大学、齐鲁工业大学、西南石油大学、香港理工大学等5支队伍组成的超级团队表现突出,总分领先其他各组位居榜首。齐鲁工业大学队表示:“我们前期为超级团队赛做了非常多的准备,包括每周的组内线上会议、代码共享等。昨天在现场遇到了不少问题,整体发挥不是太理想,心一直悬着,今天早上看到成绩后非常惊喜。”

上海大学、南方科技大学、齐鲁工业大学、西南石油大学、香港理工大学超级团队
本届比赛的人工智能赛题聚焦大模型推理优化。浙江大学队、上海交通大学队、山西大学队、北京大学队等参赛队伍在这道赛题中取得了优异成绩。上海交通大学队表示,考虑到线下比赛的不确定因素更多,赛前对可预见的突发情况都做了针对性的优化策略。他们通过分析对比不同并行计算策略的优劣势,最终选择使用数据并行,同时结合算子优化,从而在这道赛题中取得了较理想的结果。

另外,浙江大学队以2422.33 Gflops排名HPCG基准测试成绩第一。
到今天为止,本次大赛的应用赛题部分已比完,明天上午各参赛队将参加最后比赛环节——竞赛呈现答辩。而本次ASC24超算大赛的闭幕式和颁奖仪式将于明天下午举行。

ASC24全体成员赛场合影
ASC世界大学生超级计算机竞赛(ASC Student Supercomputer Challenge)由中国发起组织,并得到亚洲及欧美相关专家和机构支持,旨在通过大赛平台推动各国及地区间超算青年人才交流和培养,提升超算应用水平和研发能力,发挥超算的科技驱动力,促进科技与产业创新。ASC超算大赛迄今已举行至第十一届,吸引来自全球六大洲上万名大学生报名参赛,是全球最大规模的大学生超算竞赛。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。