主 席：冯圣中

国家超算深圳分中心主任

共同主席： 魏彦杰

中国科学院深圳先进技术研究院研究员

张 玉
教 授
西安电子科技大学

张玉现为西安电子科技大学教授，电磁场与微波技术专业博士生导师，国家超级计算济南中心客座研究员。2004年博士毕业于西安电子科技大学，2006年5月-2009年5月期间受美国邀请并资助先后任Syracuse University visiting scholar、adjunct professor。2008年在国际上首次利用并行核外技术采用512 CPU核成功求解了百万级单纯矩量法稠密矩阵方程 。与美国TACC（Texas Advanced Computing Center）Robert教授（PLAPACK 创始人）合作，国际上首次开发出了基于PLAPACK的电磁精细仿真核外求解器。2009年4月获美国Syracuse University EECS杰出成就奖”。

报告题目：面向E级超级计算机的电磁计算

电磁计算是认知电磁空间的重要手段之一，在电磁相关重大工程中起着不可或缺的作用。为“复杂、电大”系统提供“精确、高效”解，是当前计算电磁学面临的重要挑战。本报告回顾了基于我国超级计算机的超大规模电磁计算研究成果，并着重介绍基于E级超级计算机原型机的电磁计算研究新进展。

谭光明
中国科学院计算技术研究所研究员
高性能中心主任

谭光明，计算所研究员，高性能中心主任 。2002年至2008年在中国科学院计算技术研究所硕博连读，获工学博士学位。2006年8月至2007年8月访问University of Delaware。他主要的研究方向为并行算法和体系结构。近年来作为骨干参与了曙光4000、5000、6000系列高性能计算机的研制工作以及973、国家自然科学基金重点项目，主持了国家自然科学基金青年基金一项、中科院知识创新工程项目子课题一项、中科院院长奖科研启动专项一项。在高性能计算方面共发表了80余篇论文，软件登记1项。2008获得中国计算机学会优秀博士论文奖，2010年获得中科院卢嘉锡青年人才奖。

报告题目：高性能算法库设计与实现

过去十年来高性能计算经历了从十万亿次到百万亿次再到千万亿次的突破，高性能算法设计与优化面临着利用并行性（并行墙）和开发局部性（内存墙）的难题，本报告围绕如何缓解扩展并行而恶化的访存瓶颈和如何使高性能算法适应多种体系结构，提出了面向众核的渗透执行模型和基于机器学习技术的自动调优器算法调优加速及其优化库，成为高性能计算机系统实际性能提升的关键。

刘卫国
山东大学教授
软件学院高性能计算与大数据处理学科负责人

刘卫国，教授，博士生导师，担任山东大学软件学院高性能计算与大数据处理学科组负责人。主要研究领域为高性能计算、生物信息学、大数据处理。在高水平国际期刊如IEEE TPDS, IEEE TITB, JCB, PRL, CPC, BMC Bioinformatics和著名国际会议如SC, IPDPS, ICPP, BIBM，EuroPar, Cluster上发表学术论文50余篇。担任多个国际期刊审稿人和国际会议程序委员会委员。其科研成果两次获得德国Fraunhofer IGD的最佳论文一等奖，2016 CCF高性能计算学术会议最佳论文奖，2017年“戈登•贝尔”奖。目前是中国计算机学会会员，高性能计算专业委员会委员，生物信息专业组委员。

报告题目：大规模分子动力学模拟

近年来超级计算平台被广泛应用于科学研究和生产实践，然而大多数工作主要集中在针对小规模问题的简单并行算法设计，缺乏对算法的深层次优化；并且现有的工作缺少针对超级计算平台上算法规模扩展性的深入研究。本报告围绕上述问题，探讨基于超级计算平台上的大规模分子动力学模拟算法设计理论和优化方法，研究成果将为大规模分子动力学模拟的学术研究与应用打下基础。

彭绍亮
国防科技大学、湖南大学
教授国家超级计算长沙中心副主任

彭绍亮,教授,博导，国家超级计算长沙中心副主任，长期从事高性能计算、大数据、生物信息、移动计算等技术研究工作，并担任国防科技大学“天河”生命科学方向负责人，华大基因研究院“特聘教授”，湖南大学“岳麓学者”三级教授。已发表学术论文数十篇，其中包括Science, Nature Communications, Cell AJHG, Genome Biology, NAR, Cancer Research, ACM/IEEE Transactions, BIBM, 《中国科学》等。曾参与天河系列超级计算机应用软件研发工作，参与国家973项目、863项目、军队重大型号项目等13项，获军队科技进步一等奖1项,2016年荣立三等功。是中央军委科技委生物交叉立项专家组成员、国家科技专家库专家、中国计算机学会理事(2016-2019)，CCF计算机应用专委会副主任和生物信息专业组副主任，YOCSEF长沙主席（2016-2017）和总部AC委员（2017-）, CCF高性能计算、大数据、区块链专委委员、CCF杰出会员和杰出讲者。目前单篇论文最高他引1710次。

报告题目：大数据时代下的智能超算

超级计算机是国之重器，超级计算技术在飞行器设计、高铁风洞试验、生物制药、基因检测、天气预报、环境监测、新材料研究、石油勘探等各个领域一直都有出色表现。2017年国务院和习主席印发了《新一代人工智能发展规划》，宣告着我国人工智能时代的到来和人工智能技术的又一轮深入应用。HPC在人机博弈、深度学习、智能语音、人脸识别、安全检测等方面也有着突飞猛进的发展。我国高性能计算技术目前在国际上越来越有影响力，产生了以“天河”、“太湖之光”等为代表的一系列举世瞩目的科研成果。高性能计算不仅在传统科学与工程计算领域承担重要的科技创新基础设施作用，同时与人工智能、大数据的融合趋势也日益明确，计算的定义变得更加广泛。可以预期，我们将迎来“高性能计算+人工智能+大数据”的E级计算时代。本报告将对近年来国内外超算领域的技术发展，大数据和人工智能领域的落地应用和进展、以及超算与两者如何相辅相成、共融发展等最新发展以及当前热点问题进行深入浅出的介绍，重点会介绍天河系列超级计算机和国家超算长沙中心上的系列典型应用，包括人工智能医生、医疗大数据、医疗区块链等。

孟金涛
腾讯高级工程师

孟金涛，博士, 2008年到2016年工作于中国科学院深圳先进技术研究院, 自2011年到2016年在中科院计算所完成博士学位. 从2017年至今他在腾讯技术工程事业群任高级工程师. 他在工作和读博士期间发表了20余篇论文以及18份专利, 研究领域主要是高性能计算,计算生物学, 图计算等。

报告题目：面向百万核扩展的超大规模图收缩算法及其基因组装应用

高可扩展的图算法(稀疏结构表示)是很多科学研究的核心问题，例如基因组组装，脑模拟，社交网络推荐等。超级计算机Benchmark之一的Graph500进年来也从之前的BFS单一算法增加为最短路查询，BFS，单源最短路径三个算法。本报告介绍高可扩展的并行图算法及其在基因组组装上的应用研究。 在生物信息学领域，图结构特别是DBG图是并行化基因组组装的算法瓶颈，它已成为生物领域近十年的研究热点和难点。我们首次提出了基于半群结构的可扩展的数学模型MSG用于解耦图算法中计算依赖，利用其瞬时局部性特点最大化图算法的并发度，进而开发了超大规模图的异步并行处理框架SWAP及软件SWAP-Assembler。该软件可达到近线性的加速比，实际测试结果表明该软件是第一个扩展到26万核心的领域软件。在13万核的规模上SWAP-Assembler 可在1 分钟内组装1TB 规模的炎黄基因组，而现有软件SOAPdenovo处理相同规模的数据则需要2天。

杨 超
北京大学教授
中国科学院软件研究所兼职研究员、学术/学位委员会委员

北京大学教授、博导。中国科学院软件研究所兼职研究员、博导、学术/学位委员会委员。主要从事高性能计算、大规模科学与工程计算等方向的研究，研究成果曾获美国计算机学会“戈登•贝尔”奖、中国科学院杰出科技成就奖、CCF-IEEE CS青年科学家奖等荣誉。

报告题目：复杂流体计算的大规模并行算法与应用研究

流体力学的大规模数值模拟是高性能计算的一个重要应用领域。近年来，高性能计算机硬件体系结构呈现向异构、众核发展的趋势，与此同时，应用中的流体力学计算需求不断水涨船高，高分辨率、高精度的复杂流体计算在当代高性能计算机上遇到了前所未有的挑战。为此，亟需从算法设计和并行实现两个角度双管齐下开展研究。在本报告中，我将结合我们前期的一些相关工作，分享一些研究经验。

张 鉴
中国科学院计算机网络信息中心研究员

中国科学院计算机网络信息中心，研究员，博士生导师。 2005年于美国明尼苏达大学获应用数学博士学位。主要研究方向并行计算和软件，在计算数学、计算机科学领域国内外重要学术刊物上发表论文50多篇，主持研发的合金材料微结构演化模拟应用在2016年获“ACM Gordon Bell Prize”提名。

报告题目：局部化紧致指数时间差分算法研究

abstract: We present Localized Compact Exponential Time Difference method. The method combines decompositions of compact spatial difference operators on a with stable and accurate exponential time integrators. The efficiency and scalability of this exponential integrator-based methods is enhanced by designing highly scalable localization techniques based on Schwartz type domain decomposition. Theoretical study on convergence and stability are discussed, which serves as the first step toward building a solid mathematical foundation for this approach. The proposed method is of practical interest with significant influences as the developed methods are highly scalable on modern supercomputer systems, and can serve as an efficient, accurate and stable computational tool for solving evolution partial differential equations arising from diverse application fields. Techniques for implementation on modern heterogeneous hardware platforms and applications are also presented.