2022“先导杯”计算应用大赛经过激烈角逐，获奖名单最终揭晓。北京科学智能研究院DeepFlame战队在本届比赛中突出重围，获得一等奖。
“先导杯”计算应用大赛自2020年3月至今，面向全社会的科技从业者和爱好者招募，旨在突破计算机软件环境与学科应用等方面的瓶颈，充分发挥比赛对于科学发现以及科技创新的驱动力，以促进产业发展为使命，打造高规格、高影响力的权威赛事，通过发掘人才、优化算法、创新应用、加速成果转化等助推生态发展。
北京科学智能研究院DeepFlame战队“垂直整合”了交叉学科方向的成员，在自由的交流合作环境下，凝聚出创新的力量。围绕AI for Science开放应用赛题，DeepFlame战队在燃烧模拟方向展开研究，以期在航空航天产业研发中尽己所能。
获奖项目解读
燃烧反应流体数值模拟软件是发展航空航天产业的核心技术。反应流数值模拟的难点在于涉及多空间尺度、多时间尺度，以及多物理场，因此它的计算模型建模非常的困难，亟需发展高效可靠的反应流物理化学模型、算法和计算软件。此外，在实际模拟中涉及了多变量，而且其模型具有强非线性，实验室尺度火焰的直接数值模拟需要万核以上资源，对发动机燃烧室的直接数值模拟需要约亿级以上核时，对算力要求极高，不但依赖大型超算资源，而且需要突破性的加速算法才有望实现。
传统方法中求解化学反应动力学常微分方程组，以最简单的氢气化学系统为例，该方程组共有13个独立方程，系统的强刚性使得每次求解需进行成百上千次迭代，占据总计算时间90%以上。针对这一最大痛点，在DeepFlame战队本次获奖的AI for Science算法方案中，采用了深度神经网络替代传统化学求解方法，利用多尺度采样来考虑燃烧问题中的多尺度效应。
获奖战队认为“光有高大上的算法还远远不够，还需要算法能够在实际问题中落地”，DeepFlame燃烧流体力学计算平台由此诞生。DeepFlame v0.1 于2022年6月15日通过DeepModeling社区在GitHub开源，目前已更新至v0.5，由本团队成员负责功能更新与维护，旨在利用开源的力量发展科学计算领域的AI for Science。
DeepFlame不仅是首个耦合深度学习框架的大型开源反应流科学计算软件，而且具有很强的通用性，能够计算不同条件（多维多相、不同速度、不同燃料）下的反应流问题，同时实现了万核级别的线性加速。此外，DeepFlame支持CPU-GPU/DCU异构计算，即便是对于最简单的氢气燃烧体系，相比传统方法计算速度也可以提升两个量级。相关基础算法成果已发表在燃烧领域顶级期刊Combustion and Flame [1]上，详细代码架构与验证算例结果也已在arXiv上预发表 [2]。由于方法新颖，DeepFlame也成为DeepModeling社区最具热度的项目之一，得到了广泛认可。虽年轻，但成长飞速，未来可期。
在本次先导杯举办期间，DeepFlame战队完成了开源代码在国产高性能异构计算平台的部署以及稳定运行，实现了多卡推理特性，完成了深度高性能优化，并进行了万核千卡规模的大体系算例验证，相关成果即将随DeepFlame首个大版本v1.0一同发布。
在准确性与通用性方面，使用深度神经网络的DeepFlame捕捉到与传统方法完全一致的点火过程，这表明了AI for Science方法的可靠性与准确性。在求解该经典点火问题时，相比传统方法，DeepFlame基于国产DCU在相同CPU核数的条件下获得了最多42倍的加速效果。包括高维燃烧标准算例、实验真实尺度火焰模拟在内的多种算例均可在高性能异构计算平台上完成，表现出DeepFlame准确性高、通用性强的特点。
此外，DeepFlame还在数据并行推理、集群并行、通信优化、网格划分优化、模型并行推理、访存优化等方面完成很多创新性工作。通过数据并行方法将样本分散到不同的DCU卡中，实现并行推理。实验表明，数据并行可以为神经网络推理带来175%的加速比。 优化访存直接缩减了42%的总体墙上时间，为整体带来162%的加速比。
未来DeepFlame将基于AI for Science算法和高性能计算资源完成国际领先的大规模算例，期待为燃烧反应流数值模拟领域带来新的动能，助力产业创新与发展。
让我们一睹战队风采
战队成员（从左至右）：蔡淳、陈帜（指导老师）、孙正伦、毛润泽（队长）
https://github.com/deepmodeling/deepflame-dev
如何加入我们：
参考文献
[1] Tianhan Zhang, Yuxiao Yi, Yifan Xu, Zhi X. Chen, Yaoyu Zhang, Weinan E, Zhi-Qin John Xu. A multi-scale sampling method for accurate and robust deep neural network to predict combustion chemical kinetics. Combust. Flame 245:112319 (2022). doi:10.1016/j.combustflame.2022.112319
[2] Runze Mao, Minqi Lin, Yan Zhang, Tianhan Zhang, Zhi-Qin John Xu, Zhi X. Chen. DeepFlame: A deep learning empowered open-source platform for reacting flow simulations (2022). doi:10.48550/arXiv.2210.07094
北京科学智能研究院（AI for Science Institute,Beijing，以下简称AISI）成立于2021年9月，由鄂维南院士领衔，致力于将人工智能技术与科学研究相结合，加速不同科学领域的发展和突破，推动科学研究范式的革新，建设引领世界的「AI for Science」基础设施体系。
AISI的研究人员来自国内外顶尖高校、科研机构和科技企业，共同聚焦物理建模、数值算法、人工智能、高性能计算等交叉领域的核心问题。
AISI致力于创造思想碰撞的学术环境，鼓励自由探索和跨界合作，共同探索人工智能与科学研究结合的新可能。
– End –
（如需转载图文请与公众号后台联系）
原文始发于微信公众号（科学智能AISI）：夺冠｜北京科学智能研究院DeepFlame战队获“先导杯”计算应用大赛一等奖