近日，高性能计算领域备受瞩目的戈登·贝尔奖出炉！
获得2020年ACM戈登·贝尔奖的是一支由中美科学家组成的团队。
在这个8人组成的研究团队中，有7名都是华人。
而在7名华人中，竟然有5人都是出身北大。
该团队在论文摘要中写到：
「这项工作的巨大成就在于，它为从头开始准确地模拟前所未有的大小和时间尺度打开了大门，对于更好地集成机器学习和物理建模的下一代超级计算机也提出了新的挑战。」
ACM戈登·贝尔奖出炉！8人团队中有7名华人
高性能计算领域的又一项国际大奖诞生了！
这一次，中国人依然没有缺席。
获得2020年ACM戈登·贝尔奖的8人团队中，有7张都是中国面孔。
他们分别是：加州大学伯克利分校的贾伟乐和林霖、北京应用物理和计算数学研究所副研究员王涵、北京大学应用物理与技术研究中心研究员陈默涵及其研究生路登辉，普林斯顿大学张林峰博士以及该校教授鄂维南、罗伯托·卡尔。
张林峰博士制图
ACM评价对该团队的研究成果的评价是：
「基于深度学习的分子动力学模拟通过机器学习和大规模并行的方法，将精确的物理建模带入了更大尺度的材料模拟中，有望在将来为力学、化学、材料、生物乃至工程领域解决实际问题（如大分子药物开发）发挥更大作用。」
该团队的论文摘要中也写道，「这项工作的巨大成就在于，它为从头开始准确地模拟前所未有的大小和时间尺度打开了大门，对于更好地集成机器学习和物理建模的下一代超级计算机也提出了新的挑战。」
ACM（Association for Computing Machinery）是世界上最大的教育和科学计算协会。
ACM主办了8个主要奖项，来表彰计算机领域的技术和专业成就，最高奖项为图灵奖（Turing Award），常被形容为计算机领域的诺贝尔奖。
戈登·贝尔奖，也是其中的重要奖项之一，每年颁发一次，以表彰高性能计算领域的杰出成就。
戈登·贝尔奖特别强调奖励在将高性能计算应用于科学应用方面的创新，高性能并行计算领域的先驱戈登 · 贝尔为此奖提供了10,000美元的资金支持。
戈登·贝尔
「文科名校」的逆袭！获奖团队中5人出身北大
一向被认为是「文科名校」的北大，这次在理科奖项上也「大出风头」。
在获奖团队的8人中，5名华人都是出自于北大。他们分别是张林峰、林霖、王涵、陈默涵和路登辉。
2011年，张林峰从山西考到了北大的元培学院，成为一名「北大人」。
进入北大后，张林峰担任了元培学院学生学术学会首任主席。本科期间，他修了数学、物理、计算机三个专业的很多课程，在科研方面也有很多成果，是元培学生在本科期间交叉学科学习的杰出代表。
他目前的研究方向涉及统计物理、分子模拟和机器学习，及其在化学、生物、材料等方向的应用。
王涵虽然目前在北京应用物理与计算数学研究所工作，但也是不折不扣的「北大人」。
2002年，王涵进入北京大学数学科学学院学习，2006年获学士学位，2011年获博士学位，师从张平文院士。
王涵主要研究兴趣为分子模拟中的多尺度建模与计算方法，以及基于深度学习的分子建模。曾获中国数学会计算数学分会第五届青年创新奖。
现为美国加利福尼亚大学伯克利分校数学系副教授，并担任劳伦斯伯克利国家实验室计算科学部研究员的林霖，也是北大出身。
2003年，林霖进入北京大学数学科学学院学习，2007年获学士学位，2011年于普林斯顿大学获应用数学博士学位。
林霖长期从事数值分析、计算量子化学、计算材料科学、多尺度建模和并行计算等方面的研究。曾获2015年斯隆研究奖，2017年SIAM计算科学与工程（CSE）早期职业奖（首届）等。
陈默涵教授目前为北大工学院力学与工程科学系助理教授和北大应用物理与技术研究中心研究员。主要研究领域为：密度泛函理论与分子动力学方法与应用；材料性质与极端条件下物质物性模拟；超大规模并行计算；机器学习方法。
获奖团队的另一成员路登辉，则为陈默涵教授的研究生。
分子动力学新突破！首次实现1亿个原子的高效 MD 模拟
这支由7名华人和1名美国人组成的团队，在分子动力学的研究上取得了重要突破。
获奖团队的论文为，《Pushing the limit of molecular dynamics with ab initio accuracy to 100 million atoms with machine 通过机器学习将分子动力学的极限从头开始精确度提高到1亿个原子》。
著名物理学家理查德 · 费曼(Richard Feynman)曾经说过，
「如果我们要说出所有假设中最有力的一个，这个假设会不断引导人们去尝试理解生命，那就是所有的东西都是由原子组成的，生物所做的一切都可以通过原子的振动和摆动来理解。」
分子动力学分析是一种计算机模拟分析方法，用于分析原子和分子在固定时间内如何运动和相互作用。
MD 模拟使科学家们能够更好地了解一个系统(可能包括从单个细胞到气体云的任何东西)随着时间的推移是如何发展的。
分子动力学的实际应用包括研究大分子，如用于药物开发的蛋白质。
从头算起（在拉丁语中是「从头开始」或「从第一原理」开始的意思）分子动力学（AIMD）是一种在模拟过程中如何计算原子间力与标准分子动力学（SMD）略有不同的方法。
35年来，通过AIMD可以获得的精确度使其成为科学家的首选模拟方法。与此同时，虽然AIMD可以提高准确性，但该方法需要更多的计算-因此仅限于研究小型系统(最大尺寸为数千个原子的系统)。
获奖团队的论文介绍了深层潜能分子动力学。DPMD 是一种新的基于机器学习的协议，它可以模拟每天超过1亿个原子的超过1纳秒长的轨迹。
虽然近年来其他基于机器学习的协议已经被引入 MD 模拟中，但作者认为他们的协议首次实现了1亿个原子的高效 MD 模拟，并具有从头计算的准确性。
研究团队还采用该方法模拟了铜纳米晶粒拉伸后产生位错的过程（如图所示），这是传统第一性原理方法无法模拟的大尺度计算。
铜纳米晶粒（包含一千万个原子以上）的拉伸模拟。（a）具有面心立方晶体结构的铜原子（紫色），晶界原子（黄色）。（b）沿z轴拉伸10%后的铜纳米晶粒产生位错结构（青色）
戈登·贝尔奖决赛入围者必须证明他们提出的算法可以在世界上最强大的超级计算机上进行扩展(高效运行)。该团队开发了一个高度优化的代码(GPU Deep MD-Kit) ，成功地在 Summit 超级计算机上运行。
团队的GPU Deep MD-Kit有效地扩展到了整个Summit超级计算机，以双精度（峰值的45.5％）达到91 PFLOPS（1 PFLOP =每秒1万亿次浮点运算点）和162/275 PFLOPS（混合单精度） /半精度。
参考链接：
https://www.eurekalert.org/pub_releases/2020-11/afcm-gmd111920.php
