面向国产申威26010众核处理器的SpMV实现与优化

面向国产申威26010众核处理器的SpMV实现与优化

刘芳芳;杨超;袁欣辉;吴长茂;敖玉龙

【摘要】世界首台峰值性能超过100P的超级计算机——神威太湖之光已经研制完成,该超级计算机采用了国产申威异构众核处理器,该处理器不同于现有的纯CPU,CPU-MIC,CPU-GPU架构,采用了主-从核架构,单处理器峰值计算能力为

3TFlops/s,访存带宽为130GB/s.稀疏矩阵向量乘SpMV(sparse matrix-vector multiplication)是科学与工程计算中的一个非常重要的核心函数,众所周知,其是带宽受限型的,且存在间接访存操作.国产申威处理器给稀疏矩阵向量乘的高效实现带来了很大的挑战.针对申威处理器提出了一种CSR格式SpMV操作的通用异构众核并行算法,该算法从任务划分、LDM空间划分方面进行精细设计,提出了一套动静态buffer的缓存机制以提升向量x的访存命中率提出了一套动静态的任务调度方法以实现负载均衡.另外还分析了该算法中影响SpMV性能的几个关键因素,并开展了自适应优化,进一步提升了性能.采用Matrix Market矩阵集中具有代表性的16个稀疏矩阵进行了测试,相比主核版最高有10倍左右的加速,平均加速比为6.51.通过采用主核版CSR格式SpMV的访存量进行分析,测试矩阵最高可达该处理器实测带宽的86％,平均可达到47％.

【期刊名称】《软件学报》

【年(卷),期】2018(029)012

【总页数】12页(P3921-3932)

【关键词】稀疏矩阵向量乘;SpMV;申威26010处理器;异构众核并行;自适应优化【作者】刘芳芳;杨超;袁欣辉;吴长茂;敖玉龙

【作者单位】中国科学院软件研究所并行软件与计算科学实验室,北京 100190;中国科学院大学,北京 100049;中国科学院软件研究所并行软件与计算科学实验室,北京 100190;计算机科学国家重点实验室(中国科学院软件研究所),北京100190;北京大学数学科学学院,北京100871;国家并行计算机工程技术研究中心,北京 100190;中国科学院软件研究所并行软件与计算科学实验室,北京 100190;中国科学院软件研究所并行软件与计算科学实验室,北京 100190;中国科学院大学,北京 100049;北京大学数学科学学院,北京100871

【正文语种】中文

【中图分类】TP303

稀疏矩阵向量乘(SpMV)y=Ax是科学与工程计算中一个非常重要的计算内核,其性能往往对应用整体性能有着很大影响.SpMV是属于访存密集型的,算法中的浮点计算与存储访问的比率很低,且稀疏矩阵非零元素分布很不规则,使得向量x为间接访问且访问不规则,可重用性差,这些因素给SpMV的高效实现带来很大挑战.

目前,超级计算机的体系结构已经从多核向众核乃至异构众核发展,然而访存墙问题却越来越突出,带宽受限型操作的峰值性能也越来越低,并且实现难度逐步增大.由我国国家并行计算机工程技术研究中心研制的新一代申威异构众核处理器已经面世,其峰值性能为3TFlops/s,聚合访存带宽为130GB/s,相比计算能力,其访存能力偏弱,给稀疏矩阵向量乘的高效实现带来了巨大的挑战.本文针对该处理器特点,提出一种面向传统的稀疏矩阵存储格式CSR的通用SpMV异构众核并行算法,并从任务划分、LDM空间划分、向量x访存优化、负载均衡、自适应优化等角度开展工作.

1 相关工作介绍

SpMV的实现和优化,一直是高性能计算领域科研人员的研究重点.每当一款新的处

理器问世,基于该处理器的 SpMV实现及优化的工作就会持续出现.基于 CPU的SpMV工作有很多,主要从存储格式[1,2]、分块算法[3-5]、值和索引压缩[6,7]、向量化[8,9]、自适应优化[10,11]等角度开展研究.

2008年,GPGPU出现,开启了GPU用于通用计算的热潮.随后,基于GPU的SpMV 工作大量涌现,这些工作主要通过存储格式、重排、压缩、自适应调优等技术解决带宽利用率、负载均衡、并行度等问题,先后提出了HYB[12],ELLPACK-

R[13],sliced-ELLPACK[14],blocked ELLPACK[15],BRC[16],BCCOO[17]等新型存储格式;研究了稀疏矩阵的重排技术[18]及压缩格式[19],以减少访存开销;研究了GPU平台体系结构特征、稀疏矩阵存储格式、稀疏矩阵集之间的关系,并给出自动选择模型[20];另外还研究了自动调优技术[17,21,22],以根据稀疏矩阵的特征选择最优参数并获取较优的性能.

2011年,Intel公司的异构众核处理器Xeon Phi发布.随后,Liu等人[23]提出了新的ESB格式,该格式可有效改善Xeon Phi上SpMV向量化性能,并能减少访存开销,另外还提出了混合的动态调度器以改善并行任务的负载均衡性;Tang等人[24]通过新的存储格式VHCC、二维不规则任务划分、自动调优技术等优化了一类scale-free 稀疏矩阵SpMV的性能.

另外还有一类工作涉及到多个异构众核处理器,Kreutzer等人[25]主要从改善向量化性能的角度提出新的存储格式SELL-C-σ;Liu等人[26]提出了CSR5存储格式用于改善不规则稀疏矩阵SpMV的性能,在多个异构众核处理器上实现并与现有最优工作进行了对比.

本文主要研究面向申威26010异构众核处理器的SpMV并行算法及实现和优化技术,以支撑该国产平台相关应用.

2 国产申威26010处理器介绍

国产申威 26010处理器采用异构众核架构,由 4个核组(core group,简称 CG)组成,

其双精度计算能力3TFlops/s,单处理器拥有260个核心,采用共享存储架构,聚合访存带宽130GB/s.基于该处理器搭建了国产神威太湖之光超级计算机,已经部署于国家超算无锡中心,其峰值性能超过100PFlops/s.

本文主要在其一个核组上开展工作,如图1所示.每个核组由控制核心(management processing element,简称MPE,又称主核)、计算核心簇(computing processing elements clusters,简称CPE cluster,又称从核)、协议处理部件(PPU)和存储控制器(memory controller,简称MC)组成.

平均每个核组的访存带宽为32.5GB/s,实测带宽为27.5GB/s.

主核采用通用的RISC架构,向量化宽度256位,采用一级数据和指令Cache分离、二级指令数据共享的两级片上存储层次.从核核组采用拓扑为8×8 mesh互联,包含64个计算核心和DMA(DMA controller)控制器.计算核心采用精简的64位RISC 指令集,向量化宽度为256位,有64KB的Scratch Pad Memory(又称LDM),通过DMA可实现内存与LDM间的快速数据传输.应用程序由控制核心启动,借助高性能线程库Athread将计算任务异步加载到计算核心执行,双方通过同步接口协同. Fig.1 The architecture of SW26010 processor图1 国产申威26010处理器单核组架构图

3 CSR格式简介

CSR格式是目前稀疏矩阵使用最广泛的一种存储格式.设待存储的稀疏矩阵A是

m×n维的,有nz个非零元,其通过3个一维数组来存储稀疏矩阵的信息,具体如下: ·val[nz],记录每个非零元的值;

·col[nz],记录每个非零元所在的列;

·ptr[m+1],记录每行的第1个非零元在数组val[nz]和col[nz]中的索引,其

中,ptr[m]=nz.

图2给出了一个示例.目前,大多数科学与工程计算应用的矩阵中均采用CSR格式进

行存储,国际上SpMV算法的研究也大都以 CSR格式为基准,如果采用其他存储格式,还需衡量该格式到 CSR格式的转换开销,故本文直接研究基于CSR格式的SpMV算法.

Fig.2 The CSR format图2 CSR格式示意图

4 SpMV异构众核并行算法

4.1 任务划分

申威众核处理器每个核组包括1个主核和64个从核,为了充分利用从核核组的计算资源,我们将计算任务尽可能的分给从核,主核主要负责前处理和控制.

对于稀疏矩阵而言,任务划分方法有两种:一维划分和二维划分.二维划分时,多个从核会同时更新y向量的一部分,需要加锁处理,从而导致额外的开销.对规则稀疏矩阵而言,每行的非零元个数较少,LDM 可以容纳至少一行计算所需的元素,所以我们采用一维的任务划分方法.如果矩阵一行的非零元太多,导致 LDM 空间不能一次容纳一行的元素进行计算,那么将采用主核进行计算.

一维划分方式又有两种(如图3所示,其中,srow为当前申威处理器一个从核的LDM 可以容纳的最多稀疏行大小).静态任务划分:将矩阵按行等分,每个从核计算m/64行,从核的内部循环开始执行,每次只计算矩阵的srow行;动态任务划分:将矩阵srow行的计算视为一个子任务,形成任务池.每个从核一次只负责一个子任务,执行结束后,再取下一个子任务进行计算.

Fig.3 Task partition图3 任务划分示意图

具体计算方式见第 4.2节.静态任务划分方式每个从核执行的矩阵行数基本相同;动态任务划分方式时,每个从核执行的矩阵行数根据当前从核的执行情况动态调整,总矩阵行数可能大不相同.这两种方式分别适用于不同类型的稀疏矩阵,见第5.2节.

4.2 LDM空间划分

每个从核的LDM空间相当于一块高速缓存,从核访问LDM中的数据仅需要数拍即

可完成,而从核直接访问主存则需要200多拍,所以LDM空间的使用对并行算法的设计至关重要.每个从核的LDM空间仅有64KB,而CSR格式的SpMV计算需要val,col,ptr,x,y这5个数组的值才能完成.根据第4.1节中的任务划分方式,每个从核每次只计算srow行,那么y的空间只需srow大小,其余行计算时可以重复利用此块空间;ptr数组类似,只需srow+1大小.由于SpMV计算中x的访存是不连续且不规则的,对整体性能影响很大.为此,我们为其预留较多的空间以增加命中率.

每个从核64KB空间分配如下:24KB用于存储x,y,ptr和其他局部变量,40KB用于存放val和col.由于val为双精度数据类型,col为整型数据类型,共占 12字节,所以40KB空间最多只能存储40×1024/12个val和col元素,即3 413个.那么

srow=3413/maxnz,其中,maxnz为该稀疏矩阵每行最大的非零元个数.若采用双缓冲优化,则该值减半,val,col,ptr均设置两块buffer,大小为原来的一半.

x设置2块buffer:一块静态buffer,其大小为xssize;一块动态buffer,其大小为xdsize.静态buffer加载一次后重复使用;动态 buffer在静态 buffer没有命中时使用,如没有命中,则从当前所需的x处加载xdsize个数据到动态buffer,后续计算时先查找静态 buffer,再查找动态 buffer,如果没有命中,继续加载xdsize个数据到动态 buffer中.具体流程如图4所示.

Fig.4 The flowchart of dynamic and static buffer loading ofx图4 x的动静态buffer加载示意图

对每个矩阵而言,xssize的最大值由srow确定,该缓冲区的大小直接影响了SpMV 的最终性能.对于xdsize的选择,我们期望读取一次的开销与访问一次主存的开销相当.经测试,DMA传递32个元素的开销与访问一次主存的开销相当,故xdsize设置为32.

5 实现及优化

5.1x访存优化

稀疏矩阵向量乘中,x是间接访存,访存行为很不规则,在申威众核处理器上,x的访存是优化的重点,直接对其最终性能起到决定性的影响.x的访存有几种方式.

(1) 所有的x直接从主存读取;

(2) 每个从核通过DMA预取部分x,其余x通过访问主存得到,记为static-dma;

(3) 动静态buffer方式,记为static-dynamic.具体见第4.2节.

由于从核访问一次主存约需200多拍,方案1性能明显很差,所以实际中并未使用.方案2和方案3中静态buffer的大小见第4.2节.第6.2.1节给出了两种方案的性能对比结果.

另外,加载静态buffer的初始位置对SpMV的性能也有一些影响.初始位置有两种选择.

1) 从当前从核计算的行块的起始位置读取,记为start-x-row;

2) 从当前从核计算行块所需的第一个x处读取,记为start-x-current.

5.2 负载均衡

稀疏矩阵每行的非零元个数不尽相同,且分布不均.按照图3(a)中的静态任务划分方法,对有些矩阵会导致从核间负载不均衡,这个负载不均衡来自两个方面.

· 每个从核计算的行块的总非零元个数可能差异较大;

· 每个从核计算的行块中x的访存行为可能差异较大.

为了解决负载不均衡的问题,本文还采用了动态任务划分的方式,如图3(b)中所示.该方式中,从核间协同,通过采用我们自己用原子操作实现的锁来完成.

然而,由于目前的锁实现中需要访问主存,这个代价比较高,所以其性能较差,具体见第6.2.2节.

为此,本文对这种调度方式进一步进行了优化,只在第1次运行SpMV时采用动态调度,并记录每个计算核心所分配的任务,在以后的执行过程中,均按照这种方式来进行任务分配,我们将其称为动-静态任务调度.

5.3 自适应优化

由于实际应用中稀疏矩阵千差万别,非零元的分布方式各不相同.对每一个稀疏矩阵而言,任务分配方式、静态buffer大小、静态buffer加载的起始位置等均对其性能有着很大的影响,有必要针对该稀疏矩阵选择最优的参数组合.可选的参数如下: · 调度方式,有两种选择:静态调度和动静态结合的调度方式;

· 静态buffer读取的起始位置;

· 静态buffer的大小,其最大值受LDM限制,每个矩阵均不同,初始值选为128,每128递增.

为了减少搜索开销,本文对Matrix Market矩阵集中57个不同类型的稀疏矩阵选择不同参数的性能结果进行分析,发现任务调度方式、静态buffer读取的起始位置均与静态buffer的大小关系不大,据此,本文确定了如图5的搜索顺序.

该搜索过程需要大约3～22个SpMV的时间,但是对于实际应用来说,这个过程可以预先进行,以便于在以后的迭代过程中选用性能最高的SpMV实现.

Fig.5 The flowchart of search of optimal parameter图5 最优参数搜索顺序图5.4 双缓冲优化

该处理器从核上支持DMA访存与计算重叠,为了验证其有效性,本文设置LDM上val,col,ptr的双buffer.图6中,上图展示了单buffer的计算和访存流程,下图展示了双buffer的计算和访存流程.但该异构众核SpMV算法中主要以DMA操作为主,计算所占的比重很小,该优化对整体的性能影响不大.

Fig.6 SpMV with CSR format in timeline图6 CSR格式SpMV时序图

6 实验结果

6.1 实验平台

我们采用神威“太湖之光”的一个核组作为测试平台,借助高性能线程库Athread 将计算任务异步加载到从核执行.测试矩阵选用了Matrix Market矩阵集中的矩阵

进行测试,矩阵规模从数千到百万,矩阵非零元个数从数万到1 00多万.表1中给出了测试矩阵的基本信息.

Table 1 The information of test matrices表1 测试矩阵信息表注:下节给出的所有测试结果均为计算50次SpMV的时间.编号矩阵名字矩阵维数(m) 非零元数(nz)1 bcsstk17 10 974 428 650 2 bcsstk28 4 410 219 024 3 raefsky2 3 242 294 276 4 Linverse 11 999 95 977 5 Cant 62 451 4 007 383 6 s3dkq4m2 90 449 4 820 891 7 fv2 9 801 87 025 8 nemeth01 9 506 725 054 9 LF10000 19 998 99 982 10 af_0_k101 503 625 17 550 675 11 cavity20 4 562 138 187 12 ecology1 1 000 000 4 996 000 13 epb3 84 617 463 625 14 qa8fk 66 127 1 660 579 15 Obstclae 40 000 197 608 16 af_shell3 504 855 17 588 875

6.2 测试结果

6.2.1x访存优化的对比结果

图7中比较了第5.1节中提到的方案2和方案3的性能,从图中可以看出,方案3明显优于方案2,最高加速比可达21倍.这是因为方案3利用了稀疏矩阵的局部性,动态缓冲区的x数据得以重复利用.

图8中给出了部分矩阵选用两种加载静态buffer的起始位置的性能对比.矩阵

qa8fk,raefsky2,cavity20选用方案2性能较好,而cant和s3dkq4m2是选用方案1性能较好,性能差最大的有55%,最小的也有11%.

Fig.7 The optimized performance ofxloading图7x访存优化效果对比图Fig.8 The impact of the start position of loading dynamic/static buffer on performance图8 加载动静态buffer的初始位置对性能的影响

6.2.2 任务调度

由于稀疏矩阵千差万别,不同的任务调度方式对其优化的效果也不尽相同,图9中给出了动-静态调度方式性能较好的测试矩阵的结果,并将其与静态调度方式进行了对

比.其中,两种调度方式均采用从当前所需的第 1个x作为起点加载静态buffer,并且选用了xssize可选范围内的最优性能.从图中可以看出,最大加速比可以达到6倍多,说明不同任务调度方式对某些矩阵的性能有着很大的影响.

第6.2节中提到:动态调度时,由于加锁引入了额外的开销.图10中比较了采用动态调度进行计算的时间(记为dynamic)与利用动态调度的任务划分方式进行静态分配的计算时间(记为static(dynamic)),其性能约有10%～40%的差异.

Fig.9 The impact of different scheduling method on performance图9 不同的任务调度方式的优化效果

Fig.10 Comparison of the first two calculations using the static (dynamic) method 图10 动静态调度方式前两次性能对比

6.2.3 自适应优化

图11给出了对第5.3节中提到的3个参数进行自适应优化的性能结果(不含调优时间),并与采用静态调度方式、xssize=1536、从当前所需的第1个x进行加载静态buffer的方法进行了对比.从图中可以看出:自适应优化取得了比较明显的加速效果,平均性能提升为44%,最大的ecology1矩阵可达到6倍多,这主要是动静态任务调度带来的加速.

Fig.11 The performance of adaptive optimization图11 自适应优化效果图6.2.4 性能结果

本文对选取的 16个矩阵进行了测试,图12(a)展示了分别在主核和从核运行的结果,主核版采用最原始的CSR格式SpMV实现.可以看出:测试的矩阵相对主核版均有不同程度的性能提升,最高可达10倍多,最低也有4倍多,平均加速比为 6.51倍.另外,本文还测试了带宽利用率,总访存量采用公式

nz×12+(nrow+1)×4+nrow×8×2来计算.图12(b)给出了测试矩阵的带宽利用率(总带宽按照实测带宽27.5Gb/s计算),最高可达86.09%,最低可达31.76%,平均带

宽利用率为47%.

Fig.12 The performance of bandwidth efficiency of test matrices图12 测试矩阵的性能及带宽利用率

6.3 测试结果分析

从测试结果来看,从核上 SpMV的性能与其非零元的分布有很大关系.如果非零元分布的局部性特征比较明显,那么本算法中动静态buffer的命中率较高,从而整体性能较好.

目前,整体的带宽偏低,这是因为计算时采用了主核计算 CSR格式 SpMV的访存量,而实际在从核计算时,由于x的间接访问,必然会引入x的额外访存.未来将进一步改进x的访存策略,以提升整体性能.

对于一个特定的矩阵,可通过观察分析其非零元的分布规律,设计出特定的x的传输方案,这样能尽可能地减少x的冗余访存,进而提升带宽利用率和整体性能.

7 结论及下一步工作

SpMV是众多科学与工程应用中经常调用的核心函数之一,其性能至关重要.而CSR 格式是使用最广泛的一种稀疏矩阵存储格式.本文针对申威处理器提出了一种CSR 存储格式SpMV操作的通用异构众核并行算法,该算法首先从任务划分、LDM 空间划分方面进行精细设计.为了提升向量x的访存命中率,本文提出了一套动静态buffer的缓存机制,并分析了加载静态 buffer 起始位置对性能的影响;对某些稀疏矩阵从核间负载不均衡的原因,提出了一套动静态的任务调度方法以实现负载均衡.另外,还分析了该算法中影响SpMV性能的几个关键因素,并开展了自适应优化,进一步提升了性能.

对于CSR格式的SpMV,未来还需进一步考虑提升x访存命中率的方法,比如利用该处理器的寄存器通信.还可以考虑根据稀疏矩阵的x访存特征对其进行分类,对每一类的矩阵采用更加适合的访存方法,以提升自适应性.另外还需考虑新的整体访存

量更少的存储格式,以提升整体性能.

References:

【相关文献】

[1] Kourtis K,Karakasis V,Goumas G,Koziris N.CSX:An extended compression format for SpMV on shared memory systems.In:Proc.of the 16th ACM Symp.on Principles and Practice of Parallel Programming.San Antonio,2011.

[2] Sun XZ,Zhang YQ,Wang T,Long GP,Zhang XY,Li Y.Crsd:Application specific auto-tuning of SpMV for diagonal sparse matrices.In:Proc.of the 17th Int’l Conf.on Parallel Processing—Vol.Part II (Euro-Par 2011).2011.316-327.

[3] Im EJ,Yelick K.Optimizing sparse matrix computations for register reuse in SPARSITY.In:Proc.of th e Int’l Conf.on Computational Science.LNCS 2073,2001.127-136.

[4] Nishtala R,Vuduc R,Demmel,J,Yelick K.When cache blocking sparse matrix vector multiply works and why.In:Proc.of the Applicable Algebra in

Engineering,Communication,and Computing.2007.

[5] Mellor-Crummey J,Garvin J.Optimizing sparse matrix-vector product computations using unroll and JAM.Int’l Journal of High Performance Computing

Applications,2004,18:225-236.

[6] Willcock J,Lumsdaine A.Accelerating sparse matrix computations via data

compress ion.In:Proc.of the 20th Annual Int’l Conf.on Supercomputing (ICS 2006).New York,2006.307-316.

[7] Kourtis K,Goumas G,Koziris N.Optimizing sparse matrix-vector multiplication using index and value compression.In:Proc.of the 5th Conf.on Computing Frontiers.Ischia,2008.

[8] D’Azevedo E,Fahey M,Mills R.Vectorized sparse matrix multiply for compressed row storage format.In:Proc.of the Int’l Conf.on Computational Science.2005.

[9] Williams S,Oliker L,Vuduc R,Shalf J,Yelick K,Demmel J.Optimization of sparse matrix-vector multiplication on emerging multicore platforms.In:Proc.of the 2007 ACM IEEE Conf.on Supercom-Putting.Reno,2007.

[10] Vuduc R,Demmel J,Yelick K.OSKI:A library of automatically tuned sparse matrix kernels.In:Proc.of the SciDAC 2005,Journal of Physics:Conf.Series,2005.

[11] Li JJ,Tan GM,Chen M,Sun NH.SMAT:An input adaptive auto-tuner for sparse matrix-vector multiplication.In:Proc.of the 34th ACM SIGPLAN Conf.on Programming Language

Design and Implementation (PLDI 2013).2013.117-226.

[12] Bell N,Garland M.Implementing sparse matrix-vector multiplication on throughput-oriented processors.In:Proc.of the Conf.on High Performance Computing Networking,Storage and Analysis.ACM Press,2009.18.

[13] Vazquez F,Fernandez J,Garzon E.A new approach for sparse matrix vector product on NVIDIA GPUs.Concurrency and Computation:Practice and Experience,2011,23(8):815-826.

[14] Monakov A,Lokhmotov A,Avetisyan A.Automatically tuning sparse matrix-vector multiplication for GPU architectures.In:Proc.of the Int’l Conf.on High-Performance Embedded Architectures and Compilers.Berlin,Heidelberg:Springer-Verlag,2010.111-125.

[15] Choi JW,Singh A,Vuduc RW.Model-Driven autotuning of sparse matrix-vector multiply on GPUs.ACM Sigplan Notices,2010,45(5):115-126.

[16] Ashari A,Sedaghati N,Eisenlohr J,etal.An efficient two-dimensional blocking strategy for sparse matrix-vector multiplication on GPUs.In:Proc.of the 28th ACM Int’l Conf.on Supercomputing.ACM Press,2014.273-282.

[17] Yan S,Li C,Zhang Y,etal.yaSpMV:Yet another SpMV framework on GPUs.ACM SIGPLAN Notices,2014,49(8):107-118.

[18] Pichel JC,Rivera FF,Fernández M,etal.Optimization of sparse matrix-vector multiplication using reordering techniques on GPUs.Microprocessors and Microsystems,2012,36(2):65-77.

[19] Tang WT,Tan WJ,Ray R,etal.Accelerating sparse matrix-vector multiplication on GPUs using bit-representation-optimized schemes.In:Proc.of the Int’l Conf.on High Performance Computing,Networking,Storage and Analysis.ACM Press,2013.26.

[20] Sedaghati N,Mu T,Pouchet LN,etal.Automatic selection of sparse matrix representation on GPUs.In:Proc.of the 29th ACM Int’l Conf.on Supercomputing.ACM Press,2015.99-108.

[21] Ashari A,Sedaghati N,Eisenlohr J,etal.Fast sparse matrix-vector multiplication on GPUs for graph applications.In:Proc.of the Int’l Conf.for High Performance

Computing,Networking,Storage and Analysis (SC 2014).IEEE,2014.781-792.

[22] Guo D,Gropp W.Adaptive thread distributions for SpMV on a GPU.In:Proc.of the Extreme Scaling Workshop.University of Illinois at Urbana-Champaign,2012.2.

[23] Liu X,Smelyanskiy M,Chow E,etal.Efficient sparse matrix-vector multiplication on x86-based many-core processors.In:Proc.of the ACM Int’l Conf.on

Supercomputing.2013.273-282.

[24] Tang WT,Zhao R,Lu M,etal.Optimizing and auto-tuning scale-free sparse matrix-vector multiplication on Intel Xeon Phi.In:Proc.of the 2015 IEEE ACM Int’l Symp.on Code Generation and Optimization (CGO).2015.136-145.

[25] Kreutzer M,Hager G,Wellein G,etal.A unified sparse matrix data format for efficient

general sparse matrix-vector multiplication on modern processors with wide SIMD units.SIAM Journal on Scientific Computing,2014,36(5):C401-C423.

[26] Liu W,Vinter B.CSR5:An efficient storage format for cross-platform sparse matrix-vector multiplication.In:Proc.of the ACM Int’l Conf.on Supercomputing.2015.339-350.

面向国产申威26010众核处理器的SpMV实现与优化

面向国产申威26010众核处理器的SpMV实现与优化 刘芳芳;杨超;袁欣辉;吴长茂;敖玉龙 【摘要】世界首台峰值性能超过100P的超级计算机——神威太湖之光已经研制完成,该超级计算机采用了国产申威异构众核处理器,该处理器不同于现有的纯CPU,CPU-MIC,CPU-GPU架构,采用了主-从核架构,单处理器峰值计算能力为 3TFlops/s,访存带宽为130GB/s.稀疏矩阵向量乘SpMV(sparse matrix-vector multiplication)是科学与工程计算中的一个非常重要的核心函数,众所周知,其是带宽受限型的,且存在间接访存操作.国产申威处理器给稀疏矩阵向量乘的高效实现带来了很大的挑战.针对申威处理器提出了一种CSR格式SpMV操作的通用异构众核并行算法,该算法从任务划分、LDM空间划分方面进行精细设计,提出了一套动静态buffer的缓存机制以提升向量x的访存命中率提出了一套动静态的任务调度方法以实现负载均衡.另外还分析了该算法中影响SpMV性能的几个关键因素,并开展了自适应优化,进一步提升了性能.采用Matrix Market矩阵集中具有代表性的16个稀疏矩阵进行了测试,相比主核版最高有10倍左右的加速,平均加速比为6.51.通过采用主核版CSR格式SpMV的访存量进行分析,测试矩阵最高可达该处理器实测带宽的86％,平均可达到47％. 【期刊名称】《软件学报》 【年(卷),期】2018(029)012 【总页数】12页(P3921-3932) 【关键词】稀疏矩阵向量乘;SpMV;申威26010处理器;异构众核并行;自适应优化【作者】刘芳芳;杨超;袁欣辉;吴长茂;敖玉龙

国家超级计算中心

国家超级计算中心 国家超级计算中心是由国家科技部批准成立的数据计算机构，是科技部下属事业单位。 截至2020年，科技部批准建立的国家超级计算中心共有八所，分别是国家超级计算天津中心、国家超级计算广州中心、国家超级计算深圳中心、国家超级计算长沙中心、国家超级计算济南中心、国家超级计算无锡中心、国家超级计算郑州中心、国家超级计算昆山中心。 [1] 2021年，国家超算成都中心纳入国家超算中心序列 .1中心分布 .▪天津中心 .▪深圳中心 .▪长沙中心 .▪济南中心 .▪广州中心 .▪无锡中心 .▪郑州中心 .▪昆山中心 .▪成都超算中心 中心分布 天津中心 国家超级计算天津中心是2009年5月批准成立的首家国家级超级计算中心，部署有2010年11月世界超级计算机TOP500排名第一的“天河一号”超级计算机和“天河三号”原型机系统，构建有超算中心、云计算中心、电子政务中心、大数据和人工智能研发环境，是我国目前应用范围最广、研发能力最强的超级计算中心,为全国的科研院所、大学、重点企业提供了广泛的高性能计算、云计算、大数据、人工智能等高端信息技术服务。 [13] 在支撑科技创新领域，天津超算中心服务科研、企业、政府机构用户数近6000家（包括科技创新团队2000余个，企业3000余家），用户已经遍布全国近三十个省市自治区，应用涉及生物医药、基因技术、航空航天、天气预报与气候预测、海洋环境模拟分析、航空遥感数据处理、新材料、新能源、脑科学、天文等诸多领域。“天河一号”每天满负荷运行8000余个科研计算任务；累计支持国家科技重大专项、国家重点研发计划等重大项目超过2000项，涉

及经费超过20亿，取得国家级、省部级奖励成果和包括Nature、Science在内出版成果超过2400项。研发了一批具有自主知识产权的应用软件，取得了一批具有国际先进水平的科研成果。 为经济建设和产业发展服务，依托“天河一号”构建了石油勘探、新材料、基因健康、工业设计与仿真、建筑与智慧城市等十余个专业化平台，聚集行业企业超过三千家。不断提升企业的核心竞争力，支持企业转型升级，聚集和稳定外资，支持小规模企业的快速发展为近200家规模以上企业提供了高质量创新服务，节省研发投入数亿元，为企业累计带来相关经济效益近百亿元。 深圳中心 国家超级计算深圳中心（深圳云计算中心），总投资12.3亿元，一期建设用地面积1.2万平方米，总建筑面积4.3万平方米。主机系统由中国科学院计算技术研究所研制、曙光信息产业（北京）有限公司制造，2010年5月经世界超级计算机组织实测确认，运算速度达每秒1271万亿次，排名世界第二，该项目是国家863计划、广东省和深圳市重大项目。 国家超级计算深圳中心（深圳云计算中心）系深圳市人民政府批准成立的企业化管理事业单位，下设：系统运行部、云计算部、高性能计算部、市场部、行政管理部，专业技术和管理人员90%具有硕士或博士学位，多数具有海外留学经历，预计2012年将建成拥有上百高端人才的科技创新平台。 国家超级计算深圳中心（深圳云计算中心）立足深圳、面向全国、服务华南、港、澳、台及东南亚地区，将承担各种大规模科学计算和工程计算任务，同时以其强大的数据处理和存储能力为社会提供云计算服务，将建成功能齐全、平台丰富、高效节能、国际一流的高性能计算研究开发中心和云计算服务中心。 长沙中心 2010年11月28日，以“天河一号”为计算设备的国家超级计算长沙中心在湖南大学正式奠基。“国家超级计算长沙中心”是经科技部批准的信息化建设重大项目。超级计算机代表了当代信息技术的最高水平，是一个国家科技实力的重要标志，也是服务于大系统、大工程、大科学的一个必不可少的工具，广泛应用于科学研究、工业创新、商业金融、社会公共服务和国家安全等方面。 国家超级计算长沙中心选址湖南大学校区内，采用国防科技大学“天河一号”高性能计算机，按每秒1000万亿次运算能力规划建设，总投资7．2亿元。国家超级计算长沙中心一期

全球运算最快的计算机的资料

全球运算最快的计算机的资料 摘要： 1.全球运算速度最快的计算机的发展历程 2.蓝色基因/L 3.天河一号 4.美洲虎 5.星云 6.神威·太湖之光 正文： 在全球计算机技术的发展历程中，速度一直是人们追求的目标。本文将介绍一些全球运算速度最快的计算机。 蓝色基因/L是由美国劳伦斯利弗莫尔国家实验室开发的超级计算机。其峰值速度能够达到360万亿次浮点计算，内部拥有65536颗处理器，运行着Linux操作系统。蓝色基因/L是由IBM公司、利弗莫尔实验室和美国能源部联合制作完成的超级计算机，采用了基于单元的设计结构，可以随时添加计算单元而不需要担心瓶颈问题。 天河一号是中国国防科学技术大学研制的超级计算机，部署在国家超级计算天津中心。其实测运算速度可以达到每秒2570 万亿次。天河一号的硬盘容量达到1PB，内存容量为1.4TB。 美洲虎是由美国橡树岭国家实验室开发的超级计算机。其实测运算速度可达每秒1750 万亿次，曾排名世界第一。

星云是中国曙光公司研制的高性能计算机，其实测运算速度达到每秒1270 万亿次。星云计算机采用了国产的申威26010 众核处理器，该处理器采用64 位自主申威指令系统，峰值性能为12.5 亿亿次每秒，持续性能为9.3 亿亿次每秒。 神威·太湖之光是中国国家并行计算机工程技术研究中心研制的超级计算机。神威·太湖之光安装了40960 个申威26010 众核处理器，采用64 位自主申威指令系统，峰值性能为12.5 亿亿次每秒，持续性能为9.3 亿亿次每秒。2016 年，在法兰克福世界超算大会上，神威·太湖之光”超级计算机系统登顶榜单之首，比第二名天河二号”快出近两倍，其效率也提高3 倍。 以上就是全球运算速度最快的计算机的一些资料。

全球运算最快的计算机的资料

全球运算最快的计算机的资料 【最新版】 目录 1.世界上运算速度最快的计算机 2.蓝色基因/L 3.天河一号 4.美洲虎 5.星云 6.神威·太湖之光 正文 在全球范围内，运算速度最快的计算机一直是科研、气象预报、生物医学等领域竞相追逐的目标。根据提供的参考信息，我们了解到几台全球 运算速度领先的计算机。 首先，美国劳伦斯利弗莫尔国家实验室的蓝色基因/L（blue,gene/L）是目前世界最快的超级计算机。其峰值速度能够达到 360 万亿次浮点计算。这台超级计算机内部拥有 65536 颗处理器，运行着 Linux 操作系统。blue,gene/L 是由 IBM 公司、利弗莫尔实验室和美国能源部联合制作完 成的，采用了基于单元的设计结构，可以随时添加计算单元而不需要担心 遭遇瓶颈的问题。 其次，我国的“天河一号”超级计算机由国防科学技术大学研制，部 署在国家超级计算天津中心。其实测运算速度可以达到每秒 2570 万亿次。天河一号采用了多核处理器技术，拥有强大的数据处理能力。 另外，美国橡树岭国家实验室的美洲虎（Jaguar）超级计算机曾在新榜单中排名第一。美洲虎的实测运算速度可达每秒 1750 万亿次。排名第三的是中国曙光公司研制的星云（Nebulae）高性能计算机，其实测运算

速度达到每秒 1270 万亿次。 然而，最新的世界运算速度最快的计算机是我国的神威·太湖之光。神威·太湖之光超级计算机是由国家并行计算机工程技术研究中心研制，安装了 40960 个中国自主研发的申威 26010 众核处理器。该众核处理器采用 64 位自主申威指令系统，峰值性能为 12.5 亿亿次每秒，持续性能为 9.3 亿亿次每秒。2016 年，在法兰克福世界超算大会上，国际 TOP500 组织的榜单显示，神威·太湖之光超级计算机系统登顶榜单之首，比第二名天河二号快出近两倍，其效率也提高 3 倍。 综上所述，全球运算速度最快的计算机不断更新换代，我国神威·太湖之光目前位居榜首。

《C程序设计基础》课程思政元素

《C程序设计基础》课程思政元素 第五章循环控制 5.5数值计算求解方程根 一、授课内容 （1）一元二次方程求解，将数学计算过程转换为计算机算法，利用计算机程序求解；二分法设计与实现，表达式对算法效率的影响；牛顿迭代法设计与实现，函数对算法效率的影响；快速开根方算法的理解与实现（思考与拓展）。 （2）认知计算机迭代算法效率问题，综合分析二分法、牛顿迭代算法、快速开根方算法求解平方根。 （3）拓展讨论程序运行时间计算问题；时间函数库的应用、程序运算的时间成本、运算效率在计算机算法设计中的重要性及影响计算机执行效率的因素。 二、实施过程 （一）思政元素类型：家国情怀；科学精神。 （二）课堂教学方法 1.教学手段 “算法效率提升”。利用程序设计中的“迭代开发”思想，由浅入深，螺旋式上升。教学过程由四个迭代周期构成，每个迭代周期平均25分钟左右，采用PPT、视频等多媒体形式。采用“问题教学法”，部分内容需要学生网上搜索资料并加以归纳分析。教师讲授主要完成引导、重点讲解和总结，大部分教学活动留给学生，发挥学生主动性，锻炼学生的协作学习能力。 说明： （1）二分法和牛顿迭代法在《C语言程序设计(理工类)》课程所选教材中有明确的阐述和源程序，有利于学生课前预习和课后复习。 （2）快速平方根算法在网上有相关资料（百科和博客），需要学生通过网络去查询相关资料，鼓励学生主动获取知识和技能。 （3）利用课前和课间5分钟时间播放《厉害了，我的国》与计算机产业相关的片段。从分析计算机运算效率的因素讨论引入思政元素的内容。 2.课程思政融入点

课程知识点中相关的“计算效率”、“迭代计算”与国家计算机产业发展、科学精神等相契合。 三、思政元素内容 神威·太湖之光超级计算机 （一）元素内容 超级计算机，被称为“国之重器”，超级计算属于战略高技术领域，是世界各国竞相角逐的科技制高点，也是一个国家科技实力的重要标志之一。自中国863计划实施以来，国家高度重视并且支持超级计算系统的研发，但由于基础薄起步较晚，在国际舞台中一直受制于人，美国更是在2015年宣布对中国禁售高性能处理器。 神威·太湖之光超级计算机是由我国并行计算机工程技术研究中心研制、安装在国家超级计算无锡中心的超级计算机，是世界上首个峰值运算速度超过十亿亿次的超级计算机，神威·太湖之光的运算峰值能够达到12.5435亿亿次，一分钟计算能力相当于全世界72亿人同时用计算机计算32年。神威·太湖之光共安装了40960个中国自主研发的“申威26010”众核处理器，该处理器采用64位自主申威指令系统。2016年11月14日，新一期全球超级计算机500强（TOP500）榜单，中国“神威·太湖之光”以较大的运算速度优势轻松蝉联冠军。算上此前“天河二号”的六连冠，中国已连续4年占据全球超算排行榜的最高席位。 （二）价值拓展 （1）分组讨论引导学生用包容的态度对待有分歧的观点和看法。 （2）实现迭代计算的过程就是逐步求精的过程，不积跬步，无以至千里（荀子/《劝学篇》）。

盘点我国2020年的科技成就

2020年是极不平凡的一年，面对突如其来的新冠肺炎疫情，我们以人民至上、生命至上诠释了人间大爱，用众志成城，在世界上做到了对人民最好的保护。虽然今年是波折的一年，但仍然没有阻止我们中国人在科学上的进步。 1.华为5G 2020年被称为5G元年，一些国家率先进入5G时代。在全球5G方案服务商中，华为、中兴、诺基亚、爱立信一路你追我赶，在5G市场上攻城略地。其中，华为5G凭借领先技术优势坐稳市场第一。 2.中国天眼 世界最大单口径射电望远镜“中国天眼”2020年1月11日，我国自主研发设计的500米口径球面射电望远镜通过国家验收，正式投入使用。1994年，在我国天文学家南仁东的倡议下正式立项，历时22年建成，中国天眼是全球最大的单口径射电望远镜，球面宽度为500米，位于贵州省黔南布依族苗族自治州平塘县克度镇。 3.高速磁浮试验样车成功试跑 2020年6月21日，由中车四方股份公司研制的时速600公里的高速磁浮试样车，在上海同济大学磁浮试验线上成功试跑，标志着中国初步掌握了超高速列车的设计能力。目前国内高铁的最高设计时速为350公里，民航飞机一般在800-900公里，设计时速600公里的高速磁浮，可以填补它们两者之间的这段速度空白区间，提供更加灵活的出行方案。 4.北斗卫星导航系统全面建成开通

2020年6月23日9时43分，中国在西昌卫星发射中心用长征三号乙运载火箭，成功发射北斗系统第55颗导航卫星。至此中国提前半年全面完成北斗三号全球卫星导航系统星座部署。我国成为第三个独立自主拥有导航系统的国家。 5.天问一号 7月23日，我国首次火星探测任务天问一号探测器由长征五号遥四运载火箭从文昌航天发射场发射升空，飞行2000多秒后，成功送入预定轨道，开启火星探测之旅，迈出了我国自主开展行星探测的第一步。 6.神威·太湖之光超级计算机 超级计算机，被称为“国之重器”，超级计算属于战略高技术领域，是世界各国竞相角逐的科技制高点，也是一个国家科技实力的重要标志之一。神威·太湖之光超级计算机安装了40960个中国自主研发的“申威26010”众核处理器，该众核处理器采用64位自主申威指令系统，峰值性能为12.54京次/秒，持续性能为9.3京次/秒。(1京为1亿亿)，运算能力全球排名第四，2020年7月，中国科大在“神威·太湖之光”上首次实现千万核心并行第一性原理计算模拟。 7.奋斗者 11月28日，成功完成万米海试的“奋斗者”号全海深载人潜水器胜利返航。自2020年10月10日起，“奋斗者”号赴马里亚纳海沟开展万米海试，成功完成13次下潜，其中8次突破万米。11月10日8时12分，“奋斗者”号创造了10909米的中国载人深潜新纪录，标志着我国在大深度载人深潜领域达到世界领先水平。 8.量子计算机"九章"成功研制

第二章 信息系统及其组成 知识点梳理-高中信息技术同步精品课堂(粤教版2019)必修二

第二章信息系统及其组成 知识点梳理 一、知识框架 二、知识点归纳 （一）信息系统及其组成 1、网络订票系统包括：系统管理模块、客票管理模块、订票管理模块。 2、物流：实物的流动过程，如物资的运输、产品原料采购等。

3、资金流：伴随物流而产生的资金的流动过程。 4、事物流：各种管理活动的工作流程，如原材料的验收、登记、开票、付款。 5、信息流：伴随物流、资金流和事物流的的流动，既是其他各种流的表现和描述，又是用于掌握、只会和控制其他流运行的软资料。 6、网络订票操作过程的各种流说明： 7、信息系统的概念：信息系统是一个由人、硬件、软件、网络和数据资源等构成的人机交互系统。 8、用户：是信息系统的使用者、维护者、管理者和设计者。 （1）用户应该自觉遵守道德准则和法律法规，负责任地发布、使用和传播信息，形成合理使用信息系统的良好习惯。 （2）用户应该熟悉信息系统安全风险防范的常用技术方法，养成规范的信息系统操作习惯，树立信息安全意识。 9、硬件：是信息系统的物质基础，包括计算机硬件和网络平台。 （1）计算机硬件：信息系统的运行平台，指超级计算机、大型主机、重型计算机、微型计算

机和移动终端等。 （2）网络平台：信息传递的载体和用户接入的基础。 10、软件：是帮助终端用户使用硬件、将数据资源转换成各类信息产品的资源，用于完成数据的输入、处理、存储、控制以及输出等信息系统的活动。 （1）系统软件：是管理、控制和维护信息系统的软件，包括操作系统、监控管理程序、调试程序（Debug）、故障检查和诊断程序、数据库管理程序等。 （2）应用软件：是处理特定应用的程序。 11、网络：将各个孤立的设备进行物理连接，实现人与人、人与计算机、计算机与计算机之间进行信息交换的链路，从而达到资源共享和通信的目的。 12、通信技术的进步极大地促进了信息系统的发展，通信与网络技术是信息技术发展较快的领域之一，是现代信息系统的重要技术基础。 13、数据资源：人类社会信息活动中累积起来的以信息为核心的各类信息活动要素的信息。 14、数据资源的组织、存储和处理是信息系统的主要设计目标和内容。 （二）信息系统的功能 1、信息系统的功能有：输入、处理、存储、控制、传输与输出5个功能。 2、输入功能：把系统所需要的数据或者信息收集并记录下来，整理成信息系统要求的规范格式和形式，作为信息系统的输入数据。 3、处理功能：对输入或条件做出的系统相应或者转换，包括对信息的传输、加工和存储。信息加工的范围有：查询、检索、分析、计算、综合、提炼、优化、预测、评价。 4、存储功能：将获得的或加工后的信息和数据保存起来，以备将来应用。 （1）信息存储要考虑以下问题：存储量、存储介质、存储格式、存储时间、存储安全。（2）使用数据库服务器解决数据存储的问题。

《C程序设计基础(理工类)》课程思政教学案例(一等奖)

《C程序设计基础（理工类）》课程思政教学案例（一等奖） 一、授课内容 （1）一元二次方程求解，将数学计算过程转换为计算机算法，利用计算机程序求解；二分法设计与实现，表达式对算法效率的影响；牛顿迭代法设计与实现，函数对算法效率的影响；快速开根方算法的理解与实现（思考与拓展）。 （2）认知计算机迭代算法效率问题，综合分析二分法、牛顿迭代算法、快速开根方算法求解平方根。 （3）拓展讨论程序运行时间计算问题；时间函数库的应用、程序运算的时间成本、运算效率在计算机算法设计中的重要性及影响计算机执行效率的因素。 二、实施过程 （一）思政元素类型 1.家国情怀； 2.科学精神。 （二）课堂教学方法 1.教学手段 “算法效率提升”。利用程序设计中的“迭代开发”思想，由浅入深，螺旋式上升。教学过程由四个迭代周期构成，每个迭代周期平均25分钟左右，采用PPT、视频等多媒体形式。采用“问题教学法”，部分内容需要学生网上搜索资料并加以归纳分析。教师讲授主要完成

引导、重点讲解和总结，大部分教学活动留给学生，发挥学生主动性，锻炼学生的协作学习能力。 说明： （1）二分法和牛顿迭代法在《C语言程序设计(理工类)》课程所选教材中有明确的阐述和源程序，有利于学生课前预习和课后复习。 （2）快速平方根算法在网上有相关资料（百科和博客），需要学生通过网络去查询相关资料，鼓励学生主动获取知识和技能。 （3）利用课前和课间5分钟时间播放《厉害了，我的国》与计算机产业相关的片段。从分析计算机运算效率的因素讨论引入思政元素的内容。 2.课程思政融入点 课程知识点中相关的“计算效率”、“迭代计算”与国家计算机产业发展、科学精神等相契合。 三、思政元素内容 神威·太湖之光超级计算机 （一）元素内容 超级计算机，被称为“国之重器”，超级计算属于战略高技术领域，是世界各国竞相角逐的科技制高点，也是一个国家科技实力的重要标志之一。自中国863计划实施以来，国家高度重视并且支持超级计算系统的研发，但由于基础薄起步较晚，在国际舞台中一直受制于人，美国更是在2015年宣布对中国禁售高性能处理器。

高中物理课程思政案例100例

高中物理课程思政案例100例 案例1课程思政●教学 素有“制造业黄埔军校”美誉的上海理工大学，坚持“工程型、创新性、国际化”人才培养定位，作为教育部“卓越工程师教育培养计划”高校、国家级大学生创新创业训练计划实施高校和国家级人才培养模式创新实验区，该校已成为培养理想信念坚定、专业素质过硬、国际视野开阔、人文底蕴深厚的先进制造业优秀人才的教育高地。 近期，上理工正式推出《智慧中国》“中国系列”课程，教学团队由校内外院士、专家学者、杰出校友等人员组成。该课程分“中国制造与大国崛起”、“中国智造与中国智慧”、“中国创造与中国未来”三个模块，围绕六个专题，使大学生了解和掌握中国选择以工业化为基础的现代化内涵以及中国特色社会主义现代化发展道路的历史必然性，并充分领略智能制造所蕴含的丰富的中国智慧，从而增强大学生立志投身于先进制造业学习，将个人的成才梦有机融入实现中华民族伟大复兴的中国梦的思想认识，并增强大学生对中国特色社会主义共同理想的思想认同和理论自觉。 案例2课程思政●教学 在一般人眼里，工科就是冷冰冰的机器和枯燥深奥的方程式，既缺乏人文环境，又缺乏人文精神。而事实上，理工科不仅重逻辑知识，也重人文思想。试想下，如果我们教育出来的人缺乏生态保护意识，制造业、建筑业就会出环境问题；如果我们教育出来的人缺乏人文关怀，医疗改革就很难成功；如果我们教育出来的人缺乏诚信，互联网经济就会缺乏支柱。杭州科技职业技术学院胡永红老师认为课程思政不能是假大空的表扬、一本正经的说教，而应该做到情景契合、内容

融合，巧妙地结合好当前新闻时讯，用学生感兴趣的事和物来引导他们感悟、发自内心的认同。 在《信息技术应用基础》这门课程中，他是这样来进行课程思政实践的：今年3月2日《厉害了我的国》正式上映，3月7日是我新学期第一次给学生们上课，课程内容正好是讲信息技术(IT—Information T echnology)，其中最重要的部分是以微电子技术为基础的“计算机”、“通信”和“控制”技术。我结合电影的内容，为同学们列举了中国在上述三个领域内的智慧创造。 一是神威·太湖之光超级计算机。这台由我国并行计算机工程技术研究中心研制、安装在国家超级计算无锡中心的超级计算机，是世界上首个峰值运算速度超过十亿亿次的超级计算机，峰值速度为12.5亿亿次每秒，持续性能为9.3亿亿次/秒，一分钟计算能力相当于全世界72亿人同时用计算机计算32年。神威·太湖之光共安装了40960个中国自主研发的“申威26010”众核处理器，该处理器采用64位自主申威指令系统。神威•太湖之光有三项成果入围超算界的诺贝尔奖——戈登贝尔奖，并凭借其中一项最终获奖。 二是光量子计算机。2017年5月3日，世界首台超越早期经典计算机的光量子计算机在我国诞生，为最终实现超越经典计算能力的量子计算（国际学术界称之为“量子称霸”）的目标，奠定了坚实的基础。量子计算利用量子相干叠加原理，具有超快的并行计算和模拟能力。计算能力随可操纵的粒子数呈指数增长，可为经典计算机无法解决的大规模计算难题提供有效解决方案。 三是量子卫星“墨子”号。2017年8月10日，中国科学技术大学潘建伟团队宣布，全球首颗量子科学实验卫星“墨子号”圆满完成三大科学实验任务：量子纠缠分发、量子密钥分发、量子隐形传态。在量子保密通信“京沪干线”技

12个工科专业课程思政教学案例

12个工科专业课程思政教学案例 进入新时代，培养什么人、怎样培养人、为谁培养人成为中国高等教育必须回答的根本问题。 在素质教育全面发展的当今社会，高校的工科专业亦需要逐渐树立起价值塑造、能力培养、知识传授三位一体的教学目标。通过深入挖掘蕴含在课程中的思政教育资源，结合课程本身的知识点，将专业教学目标和课程德育目标相结合，在知识传授中融入价值引领，通过适当的教学设计与教学方法，将思政教育融入工科专业基础课程的教学过程中，做好全方位的课程思政工作。工科课程中开展课程思政，可以着重从如下两个方面展开： 领略中国智慧：激发学生的中国道路自信和行业领域发展信心 中国制造成就中国道路，中国智造蕴含中国智慧。要培养“中国制造2025”急需的“新工科”人才，首先要引领广大学生对中国智慧和中国道路真听、真懂、真信，只有对中国道路有充分信心，对中国制造业转型发展有准确把握，才能将中国智慧转化为鼓舞自己立足行业主动进步的不竭动力。 案例1 课程思政●教学 素有“制造业黄埔军校”美誉的上海理工大学，坚持“工程型、创新性、国际化”人才培养定位，作为教育部“卓越工程师教育培养计划”高校、国家级大学生创新创业训练计划实施高校和国家级人才培养模式创新实验区，该校已成为培养理想信念坚定、专业素质过硬、

国际视野开阔、人文底蕴深厚的先进制造业优秀人才的教育高地。 近期，上理工正式推出《智慧中国》“中国系列”课程，教学团队由校内外院士、专家学者、杰出校友等人员组成。该课程分“中国制造与大国崛起”、“中国智造与中国智慧”、“中国创造与中国未来”三个模块，围绕六个专题，使大学生了解和掌握中国选择以工业化为基础的现代化内涵以及中国特色社会主义现代化发展道路的历史必然性，并充分领略智能制造所蕴含的丰富的中国智慧，从而增强大学生立志投身于先进制造业学习，将个人的成才梦有机融入实现中华民族伟大复兴的中国梦的思想认识，并增强大学生对中国特色社会主义共同理想的思想认同和理论自觉。 案例2 课程思政●教学 在一般人眼里，工科就是冷冰冰的机器和枯燥深奥的方程式，既缺乏人文环境，又缺乏人文精神。而事实上，理工科不仅重逻辑知识，也重人文思想。试想下，如果我们教育出来的人缺乏生态保护意识，制造业、建筑业就会出环境问题；如果我们教育出来的人缺乏人文关怀，医疗改革就很难成功；如果我们教育出来的人缺乏诚信，互联网经济就会缺乏支柱。杭州科技职业技术学院胡永红老师认为课程思政不能是假大空的表扬、一本正经的说教，而应该做到情景契合、内容融合，巧妙地结合好当前新闻时讯，用学生感兴趣的事和物来引导他们感悟、发自内心的认同。 在《信息技术应用基础》这门课程中，他是这样来进行课程思政