2026-08-06 12:49:41 西盟科技资讯
依托深圳超算中心“灵晟”超级计算机的强大算力，北京大学在燃烧流体模拟领域取得重大突破：通过将自研燃烧流体仿真平台DeepFlame与“灵晟”超算进行深度软硬协同优化，研发团队成功将火箭发动机燃烧模拟的单步计算时间由47秒压缩至12.8秒，神经网络推理性能提升高达9倍，整体计算效率较国际主流GPU集群展现出显著优势。这一成果标志着“国产超算+国产高端工业仿真软件“的组合已具备世界级竞争力。
DeepFlame ：AI for Science加速“以算代烧”的范式转变
燃烧流体模拟是空天发动机、能源电力等战略领域的核心工具。燃烧本质上是典型的跨尺度强耦合过程：宏观层面需精确求解描述粘性流动的纳维-斯托克斯方程，微观层面则需精准捕捉复杂的化学反应动力学。在工程级火焰模拟中，计算复杂度呈指数级上升——传统直接数值模拟往往需耗费超10⁹核时的算力。这一算力壁垒，使得过去半个多世纪以来，发动机研制长期依赖“造样机、点火试”的物理试验模式，研发周期漫长、成本高企，已难以匹配可复用火箭、高密度发射时代的产业节奏。
为突破这一困局，北京大学北京科学智能研究院陈帜老师团队依托在多物理场耦合与智能优化领域的深厚积淀，打造了国际首个融合深度学习、计算流体力学与化学反应动力学的开源平台——DeepFlame，平台利用深度神经网络替代传统高性能计算方法中计算占比90%的大规模刚性常微分方程组求解，在确保精度的前提下，大幅提升计算效率，推动研发从“用材料和运气试错”跨越到“用数据和算法求解”。然而，要实现工程落地，仍需攻克软硬协同优化的深层技术挑战。
“灵晟”加持：从算法突破到算力落地
优秀的算法需要强大的算力支撑才能转化为实际生产力。北京大学团队与“灵晟”研发人员紧密协作，在“灵晟”系统上完成了DeepFlame从单节点到大规模集群的全流程适配优化：
●高效适配：基于“灵晟”自研高性能套件(编译器、MPI通信库、数学库)，无缝兼容x86接口，重构编译与依赖库调用链路，实现低改造量快速迁移
●神经网络推理优化：基于“灵晟”LX2 CPU支持矩阵运算及混合精度的特点，结合“灵晟”自研数学库，实现神经网络推理，并通过算子融合技术大幅减少了内核启动开销，相比传统高性能计算求解方法，计算耗时降低94%
●多核求解优化：针对燃烧模拟中偏微分方程(PDE)多线程的“写冲突”问题，通过引入定制稀疏矩阵格式与线程级网格重排，构建了适配LX2 CPU众核架构的高效隐式偏微分方程求解器，求解性能提升超过2倍。
●IO优化：借助“灵晟”LX2 CPU集成片上内存的优势，针对大规模算例求解的访存瓶颈，北京大学团队通过冷热数据分析，将高频访问数据放置在片上内存上，最大程度减少访存延迟，5600万网格算例单步迭代的端到端时间从43秒加速到12.8秒
系列优化显著提升了求解效率。与现有最先进方法相比，基于“灵晟”超算的DeepFlame将火箭发动机计算任务耗时从6个月压缩至1小时，实现了三个数量级的性能飞跃，展现了极高的工程落地价值。而在推理环节，DeepFlame+“灵晟”超算较主流的GPU加速9.1倍，充分验证了“灵晟”算力在AI for Science领域的适配性与先进性。
技术的价值在于应用。DeepFlame与“灵晟”超算构筑的“工业软件+算力基座”双国产方案，已成为商业航天领域的焦点。目前，北京大学团队已与相关研究机构达成合作，将DeepFlame应用于新一代可回收火箭的发动机点火设计，这是AI for Science从理论走向工程的跨越，更是中国智慧点燃的引擎，助力中国航天飞向深空。
