人工智能增强型高性能计算(AHPC)与科技膨胀

​        膨胀理论（Inflation theory）于1980年由麻省理工学院（MIT）的科学家阿兰·固斯（Alan Guth）提出。该理论指出，早期宇宙的空间以指数倍的形式膨胀。这种快速膨胀过程叫做“膨胀”，意指宇宙在一段时间里，是以非常大的增长速率膨胀。在暴涨结束后，宇宙继续膨胀，但是膨胀速度则小得多。

     人工智能增强型高性能计算（简称AHPC）已开始在科学宇宙中拓展新的空间，而这一空间过去是传统高性能计算数值方法无法进入的（在计算上是可控的）。

        在数值计算领域，预测未来的一种方法是根据过去拟合。虽然并不总是完美的，但是预测超级计算机在未来运行 HPC 基准的速度通常与扩展线有关。这些线条反映了计算效率和瓶颈，最终形成了未来的近期异常。对于其他许多应用程序也是如此——对代码进行基准测试、画线并设定合理的期望值。

        高性能计算的线性宇宙即将进入膨胀期。随着生成式人工智能（LLM）的使用，高性能计算的能力和覆盖范围都将加速提升。尽管不可置信，但训练有素的LLM模型可以发现科学家和工程师所不熟悉的关系或特征。

        LLM可以识别数据中的"特征"。考虑一下"速度"这样的特征，它是汽车、狗、计算机、糖浆等不同类型的物体所共有的。每种物体都有一种与之相关的 "速度"。LLM可以识别"速度"，并在完全不同的数据之间建立关联、关系或类比(例如，"汽车比狗快"或"这台电脑像糖浆一样慢"）。

        数据中存在我们不知道的 "暗特征"。经过适当的训练，LLM 能够很好地识别和利用数据中的“暗特征”。这就是科学家和工程师无法看到但仍然存在的关系或 "特征"。

        AHPC利用这些黑暗特性来拓展高性能计算的计算空间。这些通常被称为 "代理模型"，通过提出最佳候选方案，为科学家和工程师提供通往潜在解决方案的捷径。例如，LLM 可以将可行解决方案的范围缩小几个数量级，而不是通往解决方案的 10,000 种可能路径，从而使曾经难以计算的问题变成可以解决的问题。

        此外，使用基础模型感觉像是一个 NP 难问题（可以在多项式时间里猜到一个解的问题&#x