9月28日，2024中国算力大会发布“算力中国·最佳学术论文”，其中多篇论文的研究成果为业内首创，涵盖算力模型优化、绿色算力等领域，将为算力科技突破、应用赋能发挥积极作用。
基础研究是科技创新的源头。党的二十届三中全会提出，强化基础研究领域、交叉前沿领域、重点领域前瞻性、引领性布局。算力作为新质生产力的代表，是推动新一轮科技革命和产业变革的加速器，夯实算力领域研究基础，对产业自主创新和高质量发展具有重要意义。为进一步促进算力及相关产业基础科研探索，鼓励基础理论、方法模式研究，2024中国算力大会面向全球算力及相关领域的专业人士发起“算力中国·最佳学术论文”征集活动。
据介绍，论文包括但不限于通用算力、高性能算力、智能计算、算力应用、算力基础设施等领域。论文需具备一定的创新性、科学性、典型性和推广价值，在算力及相关产业的基础理论、应用研究中取得重要突破，在核心技术、创新应用等方面取得显著成果。
征集活动自启动以来，得到社会各界广泛关注和大力支持。经过严格筛选与评审，10篇论文获评“算力中国·最佳学术论文”，包括《面向新一代神威超级计算机的69.7PFLOPS量级超大规模地震模拟》《Centauri：通过通信切分实现大模型训练中通信计算重叠的高效调度》《考虑云计算任务依赖关系的数据中心园区用能灵活性方法构建与评估》《基于重复博弈视角的跨孤岛联邦学习中的长期合作》《基于自适应引导融合的域泛化深度特征学习》《用于分布式训练的传输层透明网内聚合》《自具微孔聚合物用于膜法精确分离》《NFV网络中基于深度学习的虚拟网络功能优化部署研究》《混合概率数及其神经网络计算》《深度时序图聚类》。其中，论文提出的“业界首个面向AI网络的基于RoCE实现的在网计算创新方案”“首次分析并统一了二进制数、概率数和混合概率数等三种数系间的数理关系”“首次全面定义了深度时序图聚类”等成果为业内首创。
评审专家表示，这一系列学术研究成果将助推算力基础研究走深走实，助力我国算力及相关领域核心技术自立自强。
“算力中国·最佳学术论文”篇目如下：
论文一：
中文名称：面向新一代神威超级计算机的69.7PFLOPS量级超大规模地震模拟
第一作者：万吴兵
第一作者单位：清华大学
通讯作者：甘霖、王文强、殷泽坤
合作作者：张振国、田浩东、王一诺、花梦圆、刘小慧、项盛业、宋泽宇、何仲秋、王子加、高萍、陈垚键、段晓辉、刘鑫、张伟、付昊桓、薛巍、刘卫国、杨广文、陈晓非
推荐理由：论文基于新一代国产超级计算机设计了一系列全新并行计算方法，形成了一套高精度、高性能地震模拟算法。基于论文成果实现了可高效扩展至3900万核计算规模（扩展效率达98.2%）的超大规模地震模拟软件，计算性能达69.7PFlops。论文进一步开展了复杂地形、真三维复杂介质、12米分辨率、22.6Hz的加州地震模拟。该工作对于使用超级计算机理解地震的产生原理、传播机理和破坏程度等具有重要意义。
论文二：
中文名称：Centauri：通过通信切分实现大模型训练中通信计算重叠的高效调度
第一作者：陈畅
第一作者单位：上海人工智能实验室
通讯作者：杨超、李秀红
合作作者：朱钱超、段江飞、孙鹏、张行程
推荐理由：Centauri是针对大规模模型训练过程中巨大的通信开销，进行通信-计算覆盖优化的框架。Centauri包含通信切分和重叠调度两个部分。针对“通信是负载在设备群上的映射变换”这一核心抽象和模型训练任务的层级特点，构造出全面并且可以系统化探索的切分空间和调度层级。针对多种不同分布式并行配置下，Centauri对于流行大模型可以提升45%的训练性能。该论文获得计算机体系结构国际顶级会议ASPLOS2024最佳论文奖项。
论文三：
中文名称：考虑云计算任务依赖关系的数据中心园区用能灵活性方法构建与评估
第一作者：马佳豪
第一作者单位：阿里云计算有限公司、香港大学
通讯作者：闫月君、王朝阳
合作作者：姚睿洋、张博超
推荐理由：AI技术和AI智算市场的快速发展下，云计算基础设施数据中心的能耗问题备受关注。通过挖掘云计算任务和数据中心用能设备的灵活性，实现数据中心弹性用电，对于解决数据中心能源问题至关重要。该论文提出了考虑子任务依赖关系的数据中心园区灵活用能模型构建方法，通过挖掘AI智算数据中心用能灵活性，促进园区同电网协同用能，服务AI绿色技术创新和用户对绿色服务的需求，支撑国家东数西算和双碳行动，具有积极推广意义和应用价值。
论文四：
中文名称：基于重复博弈视角的跨孤岛联邦学习中的长期合作
第一作者：张宁
第一作者单位：中国电信股份有限公司研究院
通讯作者：马倩
合作作者：陈旭
推荐理由：跨孤岛联邦学习中的搭便车者问题一直对联邦学习训练造成很大困扰，本文提供了一种具有理论保证的搭便车者的解决方案。本文从阶段博弈和重复博弈角度分别进行了理论分析，揭示了搭便车者存在的原因，并提出分布式算法通过鼓励搭便车者考虑长期收益转而参与训练来解决搭便车者问题，符合现实情况中用户之间信息不互通的事实。模拟结果表明文章在最小化搭便车者数量和最大化模型训练数据量的有良好表现。
论文五：
中文名称：基于自适应引导融合的域泛化深度特征学习
第一作者：刘丽娜
第一作者单位：中国移动研究院业务研究所、浙江大学
通讯作者：刘勇、宋希彬
合作作者：宋希彬、王蒙蒙、戴玉超、刘勇、张良俊
推荐理由：该论文提出了一种合成到真实域泛化地单目深度估计算法，能够有效地应用在智能交通、智慧城市和三维重建等领域，获取准确的深度信息。该论文是发表于计算机视觉与模式识别领域国际顶级知名期刊IEEE T-PAMI的最新成果，具有较大的创新性和可推广价值。可为算力相关的应用领域如数字孪生、世界模型、工业制造、交通物流和智慧城市等提供可靠和泛化性高的深度结果和三维信息，对未来提升三维视觉任务精度和效率提供了重要技术参考。
论文六：
中文名称：用于分布式训练的传输层透明网内聚合
第一作者：刘硕
第一作者单位：华为技术有限公司
通讯作者：吴文斐
合作作者：Qiaoling Wang、Junyi Zhang、Qinliang Lin、Yao Liu、Meng Xu、Marco Canini、Ray C. C. Cheung、Jianfei He
推荐理由：论文提出的业界首个面向AI网络的基于RoCE实现的在网计算创新方案NetReduce，计划对标英伟达商用产品SHArP（Scalable Hierachical Aggregation Protocol）可扩展层级化聚合协议。相较于英伟达基于闭源生态IB组网，NetReduce具有组网规模更大，成本更低的优势。IB在网计算依赖特定的物理硬件，组网规模限于子网规模48K。而以太组网成本大约为IB的0.7~0.8，且扩展性方面无子网规模限制。IB在网计算中，交换机与服务器建立RDMA连接，交换机维护连接状态，网络复杂度高。NetReduce保持计算节点间端到端的可靠传输连接，避免在网络中维护过多的状态。NetReudce在提升AI网络性能的同时，最大程度兼容现有以太网协议栈，未来可广泛部署于基于以太网的AI智算中心。
论文七：
中文名称：自具微孔聚合物用于膜法精确分离
第一作者：冯孝权
第一作者单位：郑州大学
通讯作者：张亚涛、朱军勇
合作作者：靳健、汪勇、Bart Vander Bruggen
推荐理由：论文以一种具有自具微孔特征的高分子材料（PIMs）为主题，主要对其合成、结构及其在膜分离应用领域的发展做了详细阐述。随着材料科学快速发展，文中提出机器学习+AI大模型是设计、筛选具有特定功能的目标材料的一种新范式。基于分子水平上的可控设计，从材料设计和功能导向的角度为高性能聚合物材料的设计、筛选、开发及分离应用提供参考和指导。
论文八：
中文名称：NFV网络中基于深度学习的虚拟网络功能优化部署研究
第一作者：岳毅
第一作者单位：中国联通研究院通讯作者：唐雄燕
合作作者：孙世丁、唐雄燕、曹畅、杨文聪
推荐理由：本论文紧密契合算力及相关产业的基础理论与应用研究需求，创新性地将深度学习应用于网络功能虚拟化中的虚拟网络功能部署。通过构建智能节点选择神经网络，显著提高服务功能链（SFC）请求的处理效率和网络资源利用率，同时解决了传统方法在复杂网络环境下的扩展性与灵活性问题，大幅降低计算复杂度和时间消耗。研究成果已发表在国际知名的通信领域顶会IEEE WCNC会议上。为未来网络架构的发展提供了理论和方法支持的同时，还为智能算力的发展提供积极启发。
论文九：
中文名称：混合概率数及其神经网络计算
第一作者：李洪革
第一作者单位：北京航空航天大学
通讯作者：李洪革
合作作者：陈宇昊、宋印杰、朱新宇
推荐理由：该研究工作提出了一种全新的二进制数和随机概率数表示的混合数系统-混合概率数（Hybrid Stochastic Numbe,HSN）。该研究首次分析并统一了二进制数、概率数和混合概率数等三种数系间的数理关系，构建了三种数系间的数学表征并分析其高容错、抗辐照等特性，实现了由该数系构造的智能计算芯片，为进一步扩展未来颠覆性智能计算体系打下了坚实的数理基础。近三年来，该研究成果先后先后被IEEE TVLSI24、TCAS、TVLSI22、ESL、电子学报和CCF-CHIP、ISVLSI24、ISCAS、DAC61等国际国内顶级权威期刊和大会的多位国际专家高度认可并全文发表。获2021年度第四届“华为杯”全国研究生创芯大赛特等奖。2022年荣获全国集成电路大赛特等奖。该原创性理论和技术被国务院发展研究中心收录到2023年《世界前沿技术发展报告》。
论文十：
中文名称：深度时序图聚类
第一作者：刘猛
第一作者单位：国防科技大学
通讯作者：刘新旺
合作作者：刘悦、梁科、涂文轩、王思为、周思航、刘新旺
推荐理由：该论文首次全面定义了深度时序图聚类这一新兴任务，着重强调了时序图聚类因其基于交互序列的批次处理范式，能够有效缓解在大规模数据集上带来的内存溢出和算力瓶颈问题，是从智能计算视角解决算力问题的典型案例。论文还指出，时序图聚类因其能够捕获关键动态信息的特性，有望成为现实世界动态复杂场景的有效解决方案。该论文发表于机器学习顶级会议ICLR 2024，受邀在AI TIME、VALSE、PRCV等平台作宣传或报告。
