基于人工智能的高精度超临界燃烧模拟在众核超算上的优化OA

科学智能正在重塑计算科学的研究范式,其中高精度超临界燃烧模拟面临着计算复杂度与物理精度协同优化的双重挑战。基于人工智能的燃烧模拟框架DeepFlame虽然通过算法创新有效平衡了物理精度与计算效率,但在现代长向量众核超算平台上仍在神经网络推理、偏微分方程组求解及大规模文件读写3个维度存在性能瓶颈。本研究提出系统性优化方案:首先针对神经网络推理,通过混合精度计算、算子融合及查表拟合等技术实现计算效率提升;其次针对偏微分方程组求解,创新性地提出网格重排、挑战稀疏矩阵格式、网格染色等技术,构建面向众核架构的偏微分方程并行求解器,有效改善稀疏线性系统的访存局部性差、间接访存和写冲突等问题;最后针对十万核级并行场景,设计基于多程序融合、文件索引和两级并行读写的优化机制,突破大规模模拟时初始化数据加载的性能瓶颈。实验结果表明,程序优化后在众核架构富岳超算平台上实现4.30倍加速比,在大规模模拟中浮点运算效率达到了理论峰值的31.80%。另外,本研究还实现了193亿网格规模的高保真超临界燃烧模拟,为下一代燃烧室设计提供了突破性的数值研究工具。