基于WEB的人工神经网络材料设计系统

开发了一个基于WEB的人工神经网络材料设计系统。该系统用DelphiMIDAS技术结合ActiveX技术实现对数据库的维护;利用MATLAB的WEB技术结合其数据库工具箱和神经网络工具箱编写程序,从材料数据库中获得数据进行神经网络计算,并将结果通过WEB服务器返回给浏览器。     

材料测试表征和制备工艺数据库无代码生成系统

许多新材料研发企业的研发设计、制备以及测试表征分处于不同部门,导致材料制备工艺数据、测试表征数据以及研发设计数据呈离散化、碎片化状态,形成信息孤岛,且不能与材料计算有效地关联.开发一个通用的,能将材料测试表征、制备和服役数据深度融合的数据库系统,进而基于数据驱动方法,构建"成分-组织-工艺-性质"预测模型,有着非常重要的意义.然而,材料种类和体系众多,不同材料其测试表征方法以及制备方法多样性,给开发一种通用的融合材料测试表征和制备工艺的数据库系统带来很大挑战.基于此,我们首先参照CSTM材料基因工程数据通则,提出了一个材料测试表征和制备工艺数据库框架,进而基于无代码编程理念和语义UI模板,研发了一个通用的材料测试表征和制备工艺数据库无代码构建系统MatFusion.MatFusion能适用于不同的材料体系,帮助企业快速构建材料专用数据库,并在液态金属测试表征和制备工艺专用数据库的构建中得到了应用.     

高通量计算在大规模人群队列基因组数据解析应用中的挑战

【目的】为推动精准医学研究的发展,世界各国相继开展大规模人群队列基因组测序计划,通过对数以万计个体进行全基因组测序,构建人群特异的基因组变异图谱。这些海量基因组数据产出,对计算速度和计算通量提出了新的要求,迫切需要速度更快、通量更高的计算平台来处理与解读这些生物序列信息。由于基因组数据自身的特点、数据解析过程的多样性和复杂性,致使在大规模人群基因组变异解析中高通量计算资源的使用效率低、计算速度慢、耗时长,服务器与本地数据交换不便,因此需要针对基因组变异解析进行多方面优化,通过软硬件开发来解决应用中存在的多种问题。本文拟对这些优化方法进行分析和综述。【方法】在高通量计算系统中,系统IO瓶颈问题是基因组变异解析并行化效率低的主要原因,通常采用基于分布式非结构化存储数据库以及对象存储系统,以提升IO的大规模可扩展能力,解决分析流程中存在的IO问题;同时通过基因组数据的高效压缩算法,可减少数据IO和传输压力。为了加快基因组数据解析速度,可在软件上采用神经网络等算法优化基因组解析方法,在硬件上使用FPGA(现场可编程逻辑门阵列)或GPU异构计算,以提高数据处理速度。【结果】综合来看,以上多方面的优化可以大幅提升基因组数据分析中高通量计算的性能,解决基因组数据处理中的存储墙问题,提高高通量计算资源的使用效率,大大减少全基因组变异解析的计算时间。【结论】高通量计算在基因组数据解析应用中存在的多种问题,可通过软硬件开发和优化得以解决,从而显著改进高通量计算在大规模人群队列变异解析应用中的计算效率,促进今后人群队列基因组研究与应用的广泛开展。     

高通量众核处理器设计

【目的】随着云计算、物联网以及人工智能等新型高通量应用的迅速兴起,高性能计算的主要应用从传统的科学与工程计算为主逐步演变为以新兴数据处理为核心,这给传统处理器带来了巨大的挑战,而高通量众核处理器作为面向此类应用的新型处理器结构成为重要的研究方向。【方法】针对上述问题,本文分析了高通量典型应用特征,从数据处理端、传输端以及存储端三个核心环节开展了高通量众核处理器关键技术设计探讨,包括实时任务动态调度、高密度片上网络设计、片上存储层次优化等。【结果】实验结果显示上述机制可以有效确保任务的服务质量,提升网络的数据吞吐率,以及简化片上存储层次。【结论】随着万物互联时代对高并发强实时处理的迫切需求,高通量众核处理器有望成为未来数据中心的核心处理引擎。     

高通量计算筛选的材料设计接口应用软件

复合材料是由至少两种不同性质的材料组成. 基于此特点, 高通量计算和多尺度模拟方法和理念, 尤其适合于复合材料配方的理论设计. 为此, 我们研发了一个基于Materials Studio的支持复合材料配方设计的高通量计算和筛选的接口应用软件. 目前该软件主要支持Materials Studio中的Amorphous Cell和Forcite Plus两个计算模块, 通过模块接口的调用实现了高通量生成复合材料各种配方, 以及基于分子动力学的高通量自动流程计算和筛选. 与直接使用Materials Studio软件相比, 该软件具有“一键式、自动流程、高通量筛选” 等特点. 目前该软件已经实现了微观尺度的基于分子动力学模块Forcite Plus的自动流程筛选. 下一步我们将在此基础上, 开发出介观尺度上使用耗散粒子动力学方法的Mesocite模块接口, 实现跨尺度计算模拟和高通量自动流程筛选, 开展环氧树脂基复合材料的配方设计. 使用该软件的用户必须要有Materials Studio版权.     

一种计算材料数据库系统

在传统的材料数据库中,内容是实验的积累、计算结果的整理、文献的搜集等,都需要人力的介入。随着材料科学对加快新材料设计的需求日益增加以及计算机计算能力的不断加强,基于人工整理的方式已经不能满足材料数据库的建设需求。本文研究的材料数据库系统数据全部来自计算,是基于云计算的理念设计,可以为科研人员提供可定制的“云端”计算环境,计算生成的结果直接存入到数据库中,不需要人工干预。同时数据库支持基于化学元素和化学表达式的灵活查询,用非常简洁的方式满足用户精确查询和宽泛查询的需求。另外借助数据库计算、存储、查询一体化的优势,本文也在材料数据共享方面进行了一定程度的探索。     

支持强度分析的轻量级材料数据库的设计与开发

航空工业中,材料性能及相关数据作为飞机结构设计和产品研制的重要基础,在结构分析、强度计算、材料研制加工、产品设计、结构选材和失效分析等方面有大量应用。材料数据库及相关信息技术则是有效利用这一资源的关键和基础。然而商业材料数据库数据不完善,缺乏和工程分析的专业性结合,并且维护成本过高。因此,针对结构强度分析流程,采用面向对象的程序设计思想和SQLite数据库技术,完成了轻量级工程材料库的设计与开发,并实现了与HAJIF软件的无缝集成。既验证了数据库的可行性,又为实际工程应用提供了方便。     

基于大型数据库的数据挖掘

本文提出一种面向大规模数据库的综合性数据挖掘技术.鉴于大规模数据库拥有庞大的数据和信息量,本文在传统的数据挖掘算法基础上使用了一些优化算法,如快速Apriori算法、Birch聚类算法等.结合理论结果,将数据挖掘应用于大型系数据库,基于关系数据库的实验表明数据挖掘系统的整体性能得到了有效提高.     

我国水文数据挖掘技术研究的回顾与展望

水文科学研究的领域面临来自许多方面的不确定性和非确知问题。引入数据挖掘的理论与技术,结合水文科学发展的需要,充分应用以计算机技术为基础的现代信息技术,研究水文数据挖掘的理论、技术和方法,为解决水文科学研究面临的问题提供了新的思路。当前,水文数据挖掘研究还处于起步阶段,研究内容多集中在水文数据的单项和局部数据的模拟与处理方面,对基于水文数据库的全局性多因素数据挖掘涉及很少,在数据挖掘技术与水文数据适应性方面所进行的研究也还很不够。为了充分发挥数据挖掘发现知识的作用,需要在水文主题数据库和多维数据立方、水文序列的分类、聚类和关联规则挖掘技术及优化算法以及水文序列的相似性、周期性和其它序列模式挖掘方面开展进一步研究,并向形成水文数据挖掘软件及数据平台方向发展。     

基于非独占式并行计算技术的ChIP-on-chip芯片分析平台

随着"后基因组时代"的到来以及各种高通量组学技术的发展,ChIP-on-chip这一新兴的研究细胞内蛋白质与全基因组DNA之间调控机制的实验技术已逐渐成熟并推广.然而由此产生的海量数据也给生物学意义的整合与数据挖掘带来了严峻的挑战.针对ChIP-on-chip得到的高通量原始实验数据,探索如何更有效地开展研究工作,实现了由分析模块、监控模块、并行框架三个模块构建的自适应并行计算系统.系统能非独占式地充分利用计算机资源计算,自动生成富集的DNA序列片段并将其映射到基因组用于后续分析;可比较分析多次实验以评估实验条件、分析不同转录因子之间的协同作用等;其包含的监控模块、并行框架很容易移植入其他开发过程.     

面向人工智能和大数据的高效能计算

【目的】本文主要分析人工智能和大数据应用随着迅速增大的数据规模,给计算机系统带来的主要挑战,并针对计算机系统的发展趋势给出了一些面向人工智能和大数据亟待解决的高效能计算的若干研究方向。【文献范围】本文广泛查阅国内外在超级计算和高性能计算平台进行大数据和人工智能计算的最新研究成果及解决的挑战性问题。【方法】大数据既为人工智能提供了日益丰富的训练数据集合,但也给计算机系统的算力提出了更高的要求。近年来我国超级计算机处于世界的前列,为大数据和人工智能的大规模应用提供了强有力的计算平台支撑。【结果】而目前以超级计算机为代表的高性能计算平台大多采用CPU+加速器构成的异构并行计算系统,其数量众多的计算核心能够为人工智能和大数据应用提供强大的计算能力。【局限性】由于体系结构复杂,在充分发挥计算能力和提高计算效率方面存在较大挑战。尤其针对有别于科学计算的人工智能和大数据领域,其并行计算效率的提升更为困难。【结论】因此需要从底层的资源管理、任务调度、以及基础算法设计、通信优化,到上层的模型并行化和并行编程等方面展开高效能计算的研究,全面提升人工智能和大数据应用在高性能计算平台上的计算能效。     

STAR: Visual Computing in Materials Science

Visual computing has become highly attractive for boosting research endeavors in the materials science domain. Using visual computing, a multitude of different phenomena may now be studied, at various scales, dimensions, or using different modalities. This was simply impossible before. Visual computing techniques provide novel insights in order to understand complex material systems of interest, which is demonstrated by strongly rising number of new approaches, publishing new techniques for materials analysis and simulation. Outlining the proximity of materials science and visual computing, this state of the art report focuses on the intersection of both domains in order to guide research endeavors in this field. We provide a systematic survey on the close interrelations of both fields as well as how they profit from each other. Analyzing the existing body of literature, we review the domain of visual computing supported materials science, starting with the definition of materials science as well as material systems for which visual computing is frequently used. Major tasks for visual computing, visual analysis and visualization in materials sciences are identified, as well as simulation and testing techniques, which are providing the data for the respective analyses. We reviewed the input data characteristics and the direct and derived outputs, the visualization techniques and visual metaphors used, as well as the interactions and analysis workflows employed. All our findings are finally integrated in a cumulative matrix, giving insights about the different interrelations of both domains. We conclude our report with the identification of open high level and low level challenges for future research.     

基于云计算环境的Web 数据挖掘算法分析

本文对Web 数据挖掘算法分析进行了研究,首先简述了云计算关键技术,提出了如何在海量信息中提取出有 用信息的重要性,其次指出了在云计算环境中进行Web 数据挖掘提供更多数据挖掘的解决方案,最后对云计算环境下Web 数 据挖掘常用算法进行了探讨。     

面向超大规模计算系统的监控、调度及网络优化实践

【目的】为应对超大规模计算系统所带来的监控数据风暴、作业调度稳定性及灵活性、网络复杂度及高效性等实际挑战,本文分享了近期真实实践的经验和解决办法。【应用背景】当计算系统从P级逐渐向E级过渡,节点数量可超过10000个。在计算系统设计之初就需要确定网络拓扑的选型,而在系统的具体使用中更是离不开高效的调度和及时的监控。【方法】本文采用了基于动态负载均衡的分布式监控架构设计,基于高速缓存的分布式告警架构设计,基于SLURM的源码和配置优化,以及nd-Torus网络拓扑仿真对比等相关技术手段,基本满足了实际业务使用需求。【结果】数据表明,对于~10000节点的计算系统,实时告警数据库表的数据量大小基本可以控制在100万条以内。优化后的SLURM调度系统,可满足系统的业务级调度需求。网络方面,6D-Torus网络由于网络直径低、平均通信距离短,性能和网卡线缆用量较Fat-Tree网络和3D-Torus有一定提升,饱和吞吐率超过40%。【结论】分布式监控架构和告警架构可以有效解决监控数据风暴问题。SLURM在优化后可以实现对超大规模计算系统的作业调度功能。就线缆和交换机使用数量而言,6D-Torus相对于传统Fat-Tree网络更加经济,且性能优于3D-Torus,更适合超大规模计算系统。     

航空制造业高性能计算能力建设情况分析及建设集成方法研究

【目的】高性能计算技术在航空制造业应用不断深入,加快了科技进步的步伐,美国在此方面表现较为突出。相比之下,我国此方面能力较为薄弱,能力不足、不均衡问题较为突出,本文基于当前面临的问题和新的发展趋势,尝试提出一套建设框架和规划设计方法。【方法】本文分析了美国情况、国内同行业高性能计算基础设施情况,对航空制造业在高性能计算技术应用面临的问题进行了总结,对趋势进行了分析。【结果】结合问题和发展趋势,给出建设参考框架和规划设计方法,推动系统建设高质量发展。【结论】高性能计算机已经成为颠覆产品设计研发、引领创新的重要保障手段和技术,在当前航空制造业快速发展阶段,需推动快速建设,补齐短板,做好人才队伍的建设,实现行业/领域全面能力水平提升。     

透明计算中用户访问行为特征分析与预测

在透明计算中,服务端存储并管理着所有用户所需的操作系统、应用软件和个性化数据,并高效处理来自透明网络的用户资源请求服务。因此,服务端是透明计算系统性能的瓶颈。为制定更高效的缓存策略提供有效的依据,基于信息熵和三次指数平滑对透明计算用户行为特征进行分析和预测。首先基于信息熵策略分析用户访问行为特征,进而利用指数平滑预测算法预测将来一段时间内数据块的访问频率,在真实数据的实验结果上验证了预测方法的有效性。     

基于Co-training的烟草原料数据优化分析

本文根据烟草行业对原料数据综合分析的实际需要,结合机器智能学科中半监督体系内的Co-training方法进行理论和应用分析。本文在理论分析的基础上得到Co-training方法应用于烟草原料数据优化分析的机器学习模型,并且通过实验数据的总结验证和与其他算法的比较,表明此算法模型具有一定优越性的结果。