来源
：
河北网络广播电视台

“AI for Science”(人工智能驱动的科学研究)被视为一场发生在当下的科学革命
，为科学的交叉研究开辟新视野、新路径
。发展“AI for Science”
，需以基础学科为基石
，以基础设施为支撑
，以人才培育为驱动
，解决不同科研领域的共性问题
。

为了更好的推动产业发展
，解决上述共性问题
，光合组织推出“光合基金”计划
，联合中国科学院高能物理研究所、太原科技大学计算机科学与技术学院、杭州电子科技大学等科研院所及高校
，基于基于国产加速卡软件移植适配和已移植软件测试
，促进国产加速卡在全新科学时代构建全新生态
。

其中
，中国科学院高能物理研究所联合打造的优秀课题《面向第四代先进光源的X光相干衍射共轭梯度并行重建算法与PtychoNN推理重建算法的国产加速器-Rocm移植研究》
，解决X光相干衍射图像重建软件产生的大量数据通过大规模并行的方式进行样品图像的高效重建
。项目移植研究CNN网络对样品的局部采样数据通过传统迭代算法使用国产加速卡集群进行精确重建
，最终结果显示
，该结果与A100服务器上的结果接近
，都是在0.095附近
。

与太原科技大学计算机科学与技术学院共同研究《天文大数据离群目标检测与搜寻系统在加速卡上的移植优化》
，基于国产加速卡架构提供了高效的并行化解决方案
。以应对庞大的天文数据集
，系统采用先进的数据挖掘技术准确识别离群目标
，能够为天文学家提供有力支持
。完成适配后
，整个算例在国产加速卡下运行
：
单卡比CPU32核心加速比达到4.86;国产加速卡比N卡RTX 4060加速比达到2.88
。目前
，天文大数据离群目标检测与搜寻系统的软件已经被广泛应用于各种科研和商业领域
。

同时
，与杭州电子科技大学共同研究的《面向智能科学的AI模型分布式并行计算框架优化技术研发》采用无侵入式方式实现了JAX对AI模型的自动并行训练
，解决了JAX计算框架依赖于专家经验手动实现模型并行导致开发效率低的问题
，提高了开发效率
。从训练角度来看
，ResNet50模型单卡比CPU32核心加速比为79.54
，单卡比CPU单核心加速比为100.77
。从分布式策略的性能来看
，在执行性能上提升了20%
，在内存上减小了28%
，在通信上减小了42%
。

基础学科的研究发展是推动人工智能技术创新的关键
，为AI领域长效发展提供源源不断的动力
，而AI也在逐步发展以应用、案例不断拓宽基础学科的研究边界
。光合组织也将深入探讨基础学科与AI的交融发展
，凸显基础学科作为AI创新“四梁八柱”的重要性
。