科技：科学计算的高科技演变

导语：科学一直依赖于各种方法来获得答案或发展理论。达尔文自然选择理论的种子在观察，数据和实验的巨大聚合下成长。激光干涉引力波天文台（LIGO）最近对引力波的确认是理论，实验和计算的长达数十年的相互作用。

当然，美国能源部（DOE）阿贡国家实验室并没有忘记这个想法，该实验室通过阿贡领导计算机构（ALCF）帮助推进了高性能计算技术的发展。ALCF实现了亿亿次级计算的承诺，正在开发一种框架，利用这种巨大的计算能力，实现模拟，数据分析和机器学习的先进组合。毫无疑问，这项工作将重新构建科学的方式，并在全球范围内这样做。

自ALCF成立于2006年以来，用于收集，分析和使用数据的方法发生了巨大变化。如果数据曾经是物理观测和实验的产物并受其限制，那么光束线，对撞机和太空望远镜等科学仪器的进给，仅举几例，大大增加了数据输出，让位于新的术语，如“大数据。”

虽然科学方法仍然完整，人类提出大问题的本能仍然推动研究，但我们应对这种新的信息意外收获的方式需要从根本上改变我们如何使用新兴计算技术进行分析和发现。模拟，数据和学习的这种融合正在推动一个越来越复杂但逻辑的反馈循环。

增加的计算能力支持更大的科学模拟，生成用于提供机器学习过程的大量数据集，其输出通知进一步和更精确的模拟。观察，实验等数据进一步增强了这一点，以使用数据驱动方法改进流程。“虽然我们一直有这种运行模拟的传统，但我们现在已经连续工作了几年，以便有力地整合数据和学习，”ALCF主任兼计算，环境和生活副副实验室主任MichaelPapka说。科学（CELS）。

为了实现这一目标，该工厂于2016年启动了ALCF数据科学计划，以探索和改进计算方法，从而更好地实现跨科学学科的数据驱动发现。ALCF最近还扩展了其Aurora早期科学计划，增加了10个新项目，这将有助于为该设施未来的亿亿级超级计算机准备数据和学习方法。

今年早些时候，CELS董事会宣布成立计算科学（CPS）和数据科学与学习（DSL）部门，分别通过高级建模和模拟，数据分析和其他人工智能方法探索具有挑战性的科学问题。“这些共同努力将侧重于领域科学，并确定可通过模拟，数据科学和机器学习方法相结合解决的重要问题。在许多情况下，我们将吸引具有跨多个部门相关专业知识的人员，”CPS主任保罗墨西拿说。