中國網(wǎng)/中國發(fā)展門戶網(wǎng)訊 人類進入大科學時代后，“模擬”作為“理論”“實驗”以外重要的補充技術手段，成為科學研究的第3個支柱。從表現(xiàn)形式看，科學研究可以被視為建立模型（modeling）的過程。而模擬（simulation）則是所建立的科學模型在計算機上的運行過程。最早期的計算機模擬（computer simulation）可以追溯到第二次世界大戰(zhàn)之后，是專門針對核物理學和氣象學研究的一種開創(chuàng)性的科學工具。后來，在越來越多的學科中，計算機模擬變得愈發(fā)重要，并不斷衍生出計算和其他領域交叉的學科，如：計算物理、計算化學和計算生物學等學科。Weaver在1948年撰文指出：人類解決有序復雜問題并實現(xiàn)科學新飛躍，將主要依賴于計算機技術的發(fā)展和不同學科背景科學家的技術碰撞。一方面，計算機技術的發(fā)展使人類能夠解決復雜且難以處理的問題。另一方面，計算機技術能夠有效激發(fā)有序復雜性問題的新解決方法。這種新解決方法本身也正是計算科學（computational science）的范疇之一，讓科學家有機會集中資源，將不同領域的見解聚焦在共同問題上。這種見解聚焦的結果，促使不同學科背景的科學家們，形成比單一學科背景科學家們更強大的“混合團隊”；這樣的“混合團隊”將有能力解決某些復雜性問題，并且得出有用的結論。總之，科學和建模緊密相關，模擬執(zhí)行代表理論的模型，人們把科學研究中的計算機模擬稱為科學模擬（scientific simulation）。

目前，還沒有任何針對“計算機模擬”的單一定義能夠恰當?shù)孛枋隹茖W模擬的概念。美國國防部將模擬定義為一種方法，即：“一種隨時間實現(xiàn)模型的方法”；進而，將計算機模擬定義為一種過程，即：“在計算機上執(zhí)行代碼、控制和顯示接口硬件，并與現(xiàn)實世界設備進行接口交互的過程”。Winsberg把計算機模擬的定義又分為狹義和廣義范圍。

在狹義定義中，計算機模擬就是“在計算機上運行程序的過程”。計算機模擬使用步進方法來探索數(shù)學模型的近似行為。模擬程序在計算機上的一次運行過程，代表了對目標系統(tǒng)的一次模擬。人們愿意用計算機模擬方法求解問題，主要有以下2個原因：原始模型本身包含離散方程；原始模型的演化更適合用“規(guī)則”，而不是“方程”來進行描述。值得注意的是，這種狹義角度指代計算機模擬時，需要限定到特定處理器硬件上算法的實現(xiàn)、用特定編程語言編寫應用，以及核函數(shù)程序、使用特定編譯器等限制條件。在不同應用問題的場景下，由于這些限制條件的變化，通常會獲得不同的性能結果。

在廣義定義中，可以把計算機模擬看作研究系統(tǒng)的一種綜合方法，是更加完整的計算過程。該過程包括模型選擇、通過模型實現(xiàn)、算法輸出計算、結果數(shù)據(jù)可視化及研究。整個模擬的過程也可以與科學研究過程進行對應，如Lynch所描述：提出一個經(jīng)驗上可回答的問題；從旨在回答該問題的理論中推導出一個可證偽的假設；收集（或發(fā)現(xiàn)）和分析經(jīng)驗數(shù)據(jù)以檢驗該假設；拒絕或未能拒絕該假設；將分析結果與得出該問題的理論聯(lián)系起來。在過去，這種廣義的計算機模擬通常出現(xiàn)在認識論或者方法論的理論場景中。

Winsberg進一步將計算機模擬劃分為基于方程的模擬（equation-based simulation）和基于主體的模擬（agent-based simulation）。基于方程的模擬常用于物理等理論學科中。這些學科中一般存在主導性的理論，這些理論可以用來指導構建基于微分方程的數(shù)學模型。例如，基于方程的模擬可以是針對粒子的模擬，這種模擬通常包含數(shù)量巨大的多個獨立粒子和一組描述粒子之間相互作用的微分方程。此外，基于方程的模擬也可以是基于場的模擬，通常包含一組描述連續(xù)介質(zhì)或場的時間演化方程。基于主體的模擬往往遵循某種演化規(guī)則，是模擬社會和行為科學的最常見方式。例如， Schelling的隔離政策模型。盡管基于主體的模擬在一定程度上可以表示多個主體的行為，但與基于方程的粒子模擬不同，這里沒有控制粒子運動的全局微分方程。

從計算機模擬的定義和分類中，可以看出人們對科學模擬不同層次的期望。從狹義的計算機模擬角度看，它已經(jīng)成為理論分析和實驗觀察等傳統(tǒng)認知方式的補充手段。科學或工程領域無一例外是由計算機模擬推動的，在某些特定應用領域和場景下，甚至是由計算機模擬改變的。如果沒有計算機模擬，許多關鍵技術就無法被理解、開發(fā)和利用。廣義的計算機模擬蘊含著一個哲學問題：計算機是否可以自主進行科學研究？科學研究的目標是認識世界，這意味著計算機程序必須創(chuàng)造新的知識。隨著人工智能技術研究及應用的新一輪爆發(fā)，人們對計算機自動地以“智能”方式進行科學研究充滿了期待。值得一提的是，Kitano在2021年提出的“諾貝爾-圖靈挑戰(zhàn)”的新觀點——“到2050年，開發(fā)能夠自主執(zhí)行研究任務的智能科學家，做出諾貝爾獎級別的重大科學發(fā)現(xiàn)”。該觀點涉及狹義和廣義的計算機模擬相關技術，但沒有圍繞廣義定義的“哲學問題”深入探討，只是把其作為科學模擬的一個宏偉目標看待。

科學模擬的發(fā)展階段

從最直觀的視角來看，科學模擬的載體是計算機程序。從數(shù)學形式上講，計算機程序是由可計算函數(shù)組成的，其中每個函數(shù)將有限輸入數(shù)據(jù)的離散集映射到有限輸出數(shù)據(jù)的離散集上。從計算機技術上講，計算機程序等于算法加上數(shù)據(jù)結構。因此，科學模擬的實現(xiàn)需要以科學問題及其解決方式被形式化抽象為條件。這里，本文借用Simon的觀點：科學家即問題“求解器”。在此觀點中，科學家給自己設定了重大科學問題，確定問題和解決問題的策略和技術是科學發(fā)現(xiàn)的本質(zhì)。基于上述“求解器”的話語體系，本文類比求解方程的形式，將科學模擬的發(fā)展劃分為3個階段，即數(shù)值計算、模擬智能和科學大腦（圖1）。

數(shù)值計算

然而，這種將部分復雜科學問題轉(zhuǎn)換為相對簡單的計算問題的解題模式，僅僅是一種粗粒度的建模方案，在一些應用場景下會遇到計算瓶頸。在解決真實場景中復雜物理模型時，常常面臨基本物理原理計算量過大的問題，并由此導致空有原理而無法有效解決科學問題。例如，第一性原理分子動力學的關鍵為求解量子力學Kohn-Sham方程，其核心算法求解過程是多次求解大規(guī)模特征值問題。特征值問題的計算復雜度為N3（N為矩陣的維度）。在實際物理問題的求解中，最常用的平面波基組通常是原子個數(shù)的100—10000倍。這意味著對于上千原子的體系規(guī)模，矩陣維度N達到106，其相應的浮點數(shù)運算總量也將達到1018 FLOPS，即達到EFLOPS級別的計算量。需要注意的是，在單步分子動力學中需要多次求解特征值問題，這也就使得單步分子動力學的模擬時間通常為數(shù)分鐘乃至1小時。由于單步分子動力學的模擬物理時間只能達到1飛秒，假設要完成納秒物理時間的分子動力學模擬過程，就需要106個分子動力學步。相應的計算量至少要達到1024 FLOPS。如此龐大的運算量即使使用世界上最大規(guī)模的超級計算機也難以在短時間內(nèi)完成。為了解決僅使用第一性原理計算帶來的超大計算量，研究人員發(fā)展了多尺度方法，其中最典型的是獲得了2013年諾貝爾化學獎的量子力學/分子力學（QM/MM）方法。該方法的思想是針對核心物理化學反應部分（如：酶及其結合底物的活躍位點原子），采用高精度的第一性原理計算方法，對于周圍的物理化學反應區(qū)域（溶液、蛋白質(zhì)和其他區(qū)域）采用低精度且計算復雜度更低的經(jīng)典力學方法。這種高精度、低精度相結合的計算方法，可以有效地降低計算量。但面對實際問題時，該方法依然存在著巨大的挑戰(zhàn)。例如，細胞半徑約0.2微米的單個生殖支原體包含3×109個原子和77000個蛋白質(zhì)分子。由于核心計算時間仍來自QM部分，模擬2小時的過程預計需要耗費109年。如果將類似問題推廣到人腦的模擬中，相應的系統(tǒng)原子數(shù)將達到1026個，保守估計需要1010個活躍位點的QM計算。由此可以推斷，模擬1小時的QM部分需要長達1024年的時間，而MM部分的模擬也需要長達1023年的時間。這種超長計算時間的情況也被稱為“維度災難”。

模擬智能

因此，模擬智能在傳統(tǒng)數(shù)值計算中嵌入人工智能模型（當前主要是深度學習模型），不同于其他人工智能應用領域的深度學習模型“黑盒子”。模擬智能要求這些模型的基本出發(fā)點和基本結構是可解釋的。目前，這一方向已存在大量研究，Zhang等在2023年對模擬智能領域最新進展進行了系統(tǒng)性的梳理。從理解亞原子（波函數(shù)和電子密度）、原子（分子、蛋白質(zhì)、材料和相互作用）到宏觀（流體、氣候和地下）尺度物理世界，把研究對象分為量子（quantum）、原子（atomistic）和連續(xù)介質(zhì)（continuum）三大體系，涵蓋量子力學、密度泛函、小分子、蛋白質(zhì)、材料科學、分子間相互作用和連續(xù)力學等7個科學領域。此外，還詳細討論了其中關鍵的共同挑戰(zhàn)，即：如何通過深度學習方法捕捉物理第一性原理，特別是自然系統(tǒng)中的對稱性。利用物理原理的智能模型幾乎已經(jīng)滲透了傳統(tǒng)科學計算的所有領域。模擬智能大幅提升了對微觀多尺度系統(tǒng)的模擬能力，為在線實驗反饋迭代提供了更加全面的支撐條件。例如，計算模擬系統(tǒng)和機器人科學家之間的快速實時迭代，有助于提升科研效率。因此，模擬智能在一定程度上，還將包括“理論—實驗”迭代的控制過程，同時也會涉及部分廣義的科學模擬。

科學大腦

傳統(tǒng)的科學方法從根本上塑造了人類探索自然和科學發(fā)現(xiàn)的分步“指南”。面對全新的研究問題，科學家們已經(jīng)被訓練成從假設和替代方案的角度出發(fā)，指定如何開展控制測試的定勢思維。雖然這種研究過程在過去幾個世紀內(nèi)都是有效的，但是非常緩慢的。從某種意義上來說，這種研究過程是主觀的，是由科學家的聰明才智和偏見驅(qū)動的。這種偏見，有時會阻礙必要的范式轉(zhuǎn)變。人工智能技術的發(fā)展激發(fā)了人們對科學和智能融合產(chǎn)生最優(yōu)的且具有創(chuàng)新性的解決方案的期望。

以上所提到的科學模擬發(fā)展經(jīng)歷的3個階段，能夠明顯區(qū)分計算機模擬在可計算和智能化能力方面逐步提升的過程。數(shù)值計算階段，對復雜科學問題中相對簡單的計算問題進行了粗粒度建模，屬于單純的狹義計算機模擬定義范疇。它不僅促進眾多領域宏觀尺度科學發(fā)現(xiàn)，同時也開啟了對微觀世界的初步探索。模擬智能階段，將針對微觀世界的多尺度探索推上一個新的臺階。除了在狹義計算機模擬定義范疇內(nèi)對計算能力進行了數(shù)量級地提升之外，該階段還涉及對實驗中某些關鍵環(huán)節(jié)的計算加速，在一定程度上為科學模擬下一階段的實現(xiàn)奠定了基礎。科學大腦階段，將是對廣義計算機模擬定義的實現(xiàn)。在此階段中，計算機模擬將具備創(chuàng)造知識的能力。

設計模擬智能計算系統(tǒng)的關鍵問題

按照本文對科學模擬發(fā)展階段的粗粒度劃分，與其相應的計算系統(tǒng)也在同步進化。超級計算機在數(shù)值計算階段發(fā)揮了不可替代的作用；發(fā)展到新的模擬智能階段，底層計算系統(tǒng)的設計也是基石。那么，模擬智能計算系統(tǒng)的發(fā)展方向應該遵循什么樣的指導思想？

縱觀計算和科學研究發(fā)展歷史，可歸納出計算系統(tǒng)發(fā)展的基本周期性規(guī)律：在新的計算模式和需求產(chǎn)生階段的初期，計算系統(tǒng)的設計側重追求極致的專用性。而在經(jīng)過一段時間的技術演變和應用拓展之后，計算系統(tǒng)的設計開始側重于對通用性的追求。在人類科技文明早期發(fā)展的漫長過程中，計算系統(tǒng)曾經(jīng)是各式各樣的專用機械設備，輔助進行一些簡單的運算（圖2）。近代以來，電子技術的突破催生了電子計算機的出現(xiàn)，并且隨著其計算能力的不斷提升，數(shù)學、物理等學科的發(fā)展也不斷向前，尤其是超級計算機上的大規(guī)模數(shù)值模擬成果，引領了大量前沿科學研究和重大工程應用。由此可見，日益發(fā)展的通用高性能計算機在不斷地加速宏觀尺度科學的各類大規(guī)模應用，并取得重大成果。接下來，微觀世界的多尺度探索將是未來Z級（1021）超級計算機應用的核心場景。而現(xiàn)有通用高性能計算機的技術路線則將遇到功耗和效率等瓶頸，難以為繼。結合模擬智能階段所呈現(xiàn)的新特征，本文認為面向模擬智能的計算系統(tǒng)，將以追求極致的Z級計算專用智能系統(tǒng)為設計目標，未來性能最高的計算系統(tǒng)將專門針對模擬智能應用程序，在硬件本身及軟件底層的算法和抽象中進行定制。

圖2 科學模擬計算系統(tǒng)發(fā)展的周期性規(guī)律

Figure 2　Periodic trends of computing system for scientific simulation

直觀上講，面向模擬智能的計算系統(tǒng)離不開智能組件（軟件和硬件），那么基于現(xiàn)有的智能組件來構建智能計算系統(tǒng)就能真正滿足模擬智能的需求嗎？答案是否定的。李國杰院士曾經(jīng)指出：“有人曾戲謔目前信息領域的形勢為：‘軟件在吞噬世界，人工智能在吞噬軟件，深度學習在吞噬人工智能，GPU（圖形處理器）在吞噬深度學習。’”研究制造更高性能的GPU或類似的硬件加速器，似乎成了對付大數(shù)據(jù)的主要出路。但是如果不清楚該在什么地方加速，只盲目依靠硬件的蠻力是不明智的。因此，設計智能系統(tǒng)的關鍵在于深刻理解要求解的問題。計算機架構師的角色是選擇好的知識表示、識別開銷密集型任務、學習元知識、確定基本操作后，再用軟硬件優(yōu)化技術去支持這些任務。”

面向模擬智能的計算系統(tǒng)設計是一個新產(chǎn)生的研究主題，相對其他計算系統(tǒng)設計而言，更加具有顯著的獨特性。因此，需要一個整體統(tǒng)一的視角，來推進人工智能和模擬科學的交叉。1989年，Wah和Li總結了關于智能計算機系統(tǒng)設計的3個層次，該觀點至今依然值得借鑒。但遺憾的是，目前還沒有任何關于這方面的更加深入的討論和實際性研究。具體而言，智能計算機系統(tǒng)的設計要考慮3個層次——表示層（representation level）、控制層（control level）和處理層（processor level）。表示層處理用于解決給定人工智能問題的知識和方法，以及如何表示該問題；控制層關注算法中依賴關系和并行性，以及問題的程序表示；處理層解決執(zhí)行算法和程序表示所需的硬件和體系結構組件。下面將以這3個層次為基礎，討論面向模擬智能的計算系統(tǒng)設計的關鍵問題。

表示層

表示層是設計過程中的一個重要元素，包括領域知識表示和共性特征（元知識）表示，其決定了給定問題是否能夠在合理的時間內(nèi)得到解決。定義表示層的本質(zhì)是對適應廣泛應用的行為和方法進行高級抽象，將它們與特定的實現(xiàn)解耦。下面給出領域知識表示和共性特征表示的案例。

從現(xiàn)階段面向科學的人工智能研究看，對稱性的研究將成為表征學習的一個重要突破口，其原因在于物理上的守恒定律是由對稱性導致的（諾特定理），而守恒定律常被用來研究粒子的基本屬性和粒子之間的相互作用。物理上的對稱性是指在某種變換后或某種操作下的不變性，無法做出可辨別的測量（不可區(qū)分性）。基于多層感知機（MLP）、卷積神經(jīng)網(wǎng)絡（CNN）、圖神經(jīng)網(wǎng)絡（GNN）的小分子表征模型在有效加入對稱性之后，已經(jīng)廣泛應用于蛋白質(zhì)、分子、晶體等物質(zhì)的結構預測。

2004年，Colella向美國國防高級研究計劃局（DARPA）提出了科學計算的“七個小矮人”（Seven Dwarfs）——稠密線性代數(shù)、稀疏線性代數(shù)、結構網(wǎng)格計算、非結構網(wǎng)格計算、譜方法、粒子方法、蒙特卡洛模擬。其中，每一種科學計算問題，都代表了一種可以捕獲計算和數(shù)據(jù)移動模式的計算方法。受此啟發(fā)，巴斯德實驗室的Lavin等以類似方式定義了模擬智能中的9種基元（nine motifs of simulation intelligence）——多物理現(xiàn)象多尺度建模、代理建模仿真、基于模擬的推理、因果關系建模推理、基于主體的建模、概率編程、微分編程、開放式優(yōu)化、機器編程。這9種基元代表了互為補充的不同計算方法類型，為協(xié)同模擬和人工智能技術促進科學發(fā)展奠定了基礎。面向傳統(tǒng)科學計算歸納的各個主題，曾為應用于不同學科的數(shù)值方法（以及并行計算）的研發(fā)工作提供了明確的路線圖；面向模擬智能的各個主題同樣不局限于狹義的性能或程序代碼，而是激勵算法、編程語言、數(shù)據(jù)結構和硬件方面的創(chuàng)新。

控制層

控制層承上啟下，在整個計算系統(tǒng)中起到連接和控制算法映射與硬件執(zhí)行的關鍵作用，在現(xiàn)代計算機系統(tǒng)中表現(xiàn)為系統(tǒng)軟件棧。本文僅討論和科學模擬相關的關鍵組件。模擬智能計算系統(tǒng)的控制層的變化主要來自2個方面：數(shù)值計算、大數(shù)據(jù)和人工智能的緊耦合；底層硬件技術可能發(fā)生的顛覆性變化。近年來，由于科學大數(shù)據(jù)的急劇增加，在科學模擬的數(shù)值計算階段，大數(shù)據(jù)軟件棧逐漸被超算系統(tǒng)領域所關注，只是相對于傳統(tǒng)的數(shù)值計算，大數(shù)據(jù)軟件棧是完全獨立的，在模擬流程上屬于不同的步驟。因此，基于2套系統(tǒng)的軟件棧是基本可行的。而在模擬智能階段，情況產(chǎn)生了根本上的變化。根據(jù)前文中所表示的問題解法描述公式y(tǒng)=F(f(x),A(x))，人工智能和大數(shù)據(jù)部分都是嵌入在數(shù)值計算內(nèi)的，這種結合是一個緊耦合的模擬過程，自然需要一個異質(zhì)融合的系統(tǒng)軟件棧。以DeePMD為例，該模型包含平移不變性的嵌入網(wǎng)絡、對稱性保持操作和擬合網(wǎng)絡3個模塊。鑒于體系的能量、受力等屬性不以人為定義改變（例如，便于測量或描述而賦予體系中各個原子的坐標），接入擬合網(wǎng)絡進行原子能量和受力的擬合，就能得到較高精度的擬合結果。再考慮模型的訓練數(shù)據(jù)強依賴于第一性原理計算，整個流程是一個數(shù)值計算和深度學習緊耦合的過程。

因此，系統(tǒng)軟件在代碼生成和運行時執(zhí)行過程中，將不再區(qū)分共性核函數(shù)的來源，即不再區(qū)分是否由傳統(tǒng)人工智能、傳統(tǒng)數(shù)值計算或根據(jù)特定問題進行人工定制擴展得來。相應的，系統(tǒng)軟件一方面需要針對3類不同來源的共性核函數(shù)，提供易于擴展和開發(fā)的編程接口。另一方面則需要對這3類函數(shù)，在代碼編譯方面和運行時資源管理方面，兼顧并行效率和訪存局部性等性能保障；在面向不同粒度的計算任務時，能夠逐層進行融合和協(xié)同優(yōu)化，發(fā)揮不同類型體系結構處理器的最佳性能。

處理層

縱觀數(shù)值計算階段到模擬智能階段，一個驅(qū)動技術發(fā)展的重要因素是當前硬件技術無法滿足計算需求。因此，處理層設計首要問題是：表示層的變化（如對稱性、基元）會產(chǎn)生全新的硬件體系架構嗎？它們是基于傳統(tǒng)專用集成電路（ASIC）實現(xiàn)，還是超越互補金屬氧化物半導體（CMOS）——從高性能計算的發(fā)展路線圖來看，這也是未來Z級超算的硬件設計要考慮的核心問題。可以大膽預測，在2035年左右，Z級超算可能會出現(xiàn)。盡管基于性能和可靠性因素的考慮，那時CMOS平臺仍將占據(jù)主流，但一些核心組件將是建立在非CMOS工藝上的專用硬件。

摩爾定律雖然放緩但依然有效，要重點解決的關鍵難題是如何逼近摩爾定律的極限。換句話說，如何通過軟硬件協(xié)同設計的手段，將基于CMOS的硬件潛力充分挖掘出來。因為，即使在性能優(yōu)先級最高的超算領域，多數(shù)算法負載所獲得的實際性能僅僅只是硬件裸性能的極小部分。回顧超算領域早期發(fā)展階段，其基本設計哲學就是軟硬件協(xié)同。未來十幾年，微處理器迅速發(fā)展的“紅利”將耗盡，面向模擬智能的計算系統(tǒng)硬件架構應該回歸到從頭設計的軟硬件協(xié)同技術上。一個突出的例子是如前所述的分子動力學模擬，Anton系列是一個從零開始設計的超級計算機家族，可以滿足大規(guī)模長時間尺度的分子動力學模擬計算，而這也恰恰是對微觀世界探索的必要條件之一。然而，最新的Anton計算也只能對基于經(jīng)典力場模型實現(xiàn)20微秒的模擬，無法進行第一性原理精度的長時間尺度模擬；然而，后者才能滿足多數(shù)實際應用（如藥物設計等）需求。

最近，作為模擬智能的典型應用，DeePMD模型在傳統(tǒng)大規(guī)模并行系統(tǒng)上的突破證明了其巨大的潛力。中國科學院計算技術研究所超算團隊，已實現(xiàn)了170個原子的第一性原理精度分子動力學的納秒級模擬。但是，長時間尺度模擬要求硬件架構具有極高的可擴展性，需要在運算邏輯和通信操作上有極致的創(chuàng)新。本文認為有2類技術可以預期能夠發(fā)揮關鍵作用：存算一體架構，通過降低數(shù)據(jù)移動的延遲來提高運算效率；硅光互連技術，可以在高能效下提供大帶寬的通信能力，有助于提高并行性和數(shù)據(jù)規(guī)模。進而，隨著對模擬智能應用廣泛而深入的研究，相信未來將逐步形成科學模擬領域的“新浮點”運算單元和指令集。

本文認為，在科學模擬的現(xiàn)階段，尚處于模擬智能階段的早期，此時對模擬智能的使能技術展開研究至關重要。在一般科學研究中，獨立的概念、關系和行為可能是易理解的。但是，它們的組合行為會導致不可預測的結果。深入了解復雜系統(tǒng)的動態(tài)行為，對于許多處理復雜挑戰(zhàn)性領域的研究人員來說是非常寶貴的。在面向模擬智能的計算系統(tǒng)設計中，一個必不可少的環(huán)節(jié)是跨學科合作，即領域科學、數(shù)學、計算機科學與工程、建模與仿真等學科工作者之間的協(xié)作。這種跨學科合作會構建更優(yōu)的模擬計算系統(tǒng)，形成更全面和整體的方法，去解決更加復雜的現(xiàn)實世界的科學挑戰(zhàn)。

（作者：譚光明、賈偉樂、王展、元國軍、邵恩、孫凝暉，中國科學院計算技術研究所；編審：金婷；《中國科學院院刊》供稿）