密度泛函理论（DFT）是研究半导体、金属等关键材料性质的主流第一性原理方法。ABACUS（原子算筹）是国内自主研发的密度泛函开源软件，由多家单位联合开发，国内外用户超过一千人，应用单位过百家。它能否在自主算力上跑出同等甚至更优的性能，一直是代码迁移与优化工作的关键命题。

全系适配，19 类核心算子逐项优化

华为计算发文称，在北京大学鲲鹏昇腾科教创新卓越中心支持下，北京大学力学与工程科学学院陈默涵研究员团队完成了 ABACUS 在鲲鹏 920 全系列平台上的适配，并把 19 类材料领域核心算子抽出来逐项优化。

测试显示，在与业界主流 CPU 相同的 28 核、28 进程 ×1 线程配置下，采用 SVE 指令集的版本在标准测试集上快 1.3 至 3.9 倍；放到单节点满核、启用矩阵运算单元的配置，最高可快 10.7 倍。相关代码已推送到 GitHub 开源社区。

芯片能力“闲着也是闲着”：打通编译与数学库

适配的第一个隐蔽问题是：鲲鹏 920 不同型号支持的向量指令集并不一致，分别是 NEON、SVE 和 SVE512，还内置一个专门做矩阵运算的单元。若沿用通用编译选项，程序只会走最基础的那条代码路径，这些硬件能力实际上一直闲置，测出的只是“开箱”成绩。

团队为三款芯片各自适配了一条路径：其中两款用 gcc-openmpi-openblas，分别编译出 NEON 和 SVE 版本；第三款换成 clang-hmpi-kblas，编译 SVE512 与矩阵运算指令集版本。另一个改动是新增 USE_KML 编译选项，把鲲鹏数学库（KML）接进 ABACUS；考虑到 KFFT 与开源 fftw3、KScaLAPACK 与开源 ScaLAPACK 在函数签名与默认行为上不完全一致，团队还调整了 FFT 接口的 OMP 配置，以及 abstol、orfac 两个默认值。

正确性先行：NEON、SVE 与矩阵运算三个版本均跑通了自带的平面波基组求解 Kohn-Sham DFT、线性组合原子轨道（LCAO）求解 Kohn-Sham DFT、随机波函数 DFT（sDFT）与深度学习泛函 DeePKS 等集成测试，数值结果与业界主流实现一致。

算法层下钻：把复杂度从平方压到线性

性能测试覆盖 10 个典型材料体系（GaAs、C2H6O、MoS2、Pt(111)、BaTiO3、Na、Fe、H2O、Li27Ni9O54Mn9Co9、Si），规模从 8 到 216 个原子并采用周期性边界条件。除前述 1.3 至 3.9 倍、最高 10.7 倍的提升外，随机轨道 DFT 算例的差距更明显：SVE 版本快 2.8 至 3.1 倍，矩阵运算指令集版本快 6.1 至 20.1 倍。

团队把 19 类核心算子逐个做算法分析再改写，方向大致有三类：最见效的是压掉平方级复杂度——广义拉盖尔多项式原本用递归，改成迭代递推、只留三个中间变量后，复杂度降到 O(n)，同一算子的百万次调用测试快了约 8 倍；多项式插值的区间查找从表头扫到表尾换成二分查找后，400 项的表平均比较次数从约 200 次降到 9 次。第二类是减掉重复运算，用公式化简、三角函数递推、循环不变量外提。第三类针对内存，采用混合精度、调整内存布局与负载均衡并行。

为让调优经验可复用，团队还借助一站式开发套件 DevKit 的源码自动优化能力，让工具自动识别同类性能瓶颈并给出优化后的代码。在 920 新型号上实测，8 个原子的温稠密碳（sDFT）算例快了 2.28 倍，512 个 Si 原子的体系（LCAO 基组）快了 2.66 倍。

不止于跑得快：国产软件与国产算力协同

此次优化的意义在于，它支撑了数十万行的大型科学计算软件，在适配优化后能够比业界主流硬件跑得更快，相关调优经验还能沉淀为其他科学软件项目可复用的基础工具。依托北京大学鲲鹏昇腾科教创新卓越中心，团队下一步将继续梳理代码中的关键算子、推进代码重构与热点优化，并把鲲鹏平台用到真实材料体系的科学计算研究中。

值得一提的是，这支团队凭借“基于鲲鹏高性能平台的极端条件温稠密碳模拟”作品，夺得 2026 第十三届并行应用挑战赛（PAC2026）应用组特等奖。该工作采用 ABACUS 的随机密度泛函理论算法，在密度 500 g/cm³、温度 20 keV（约 2.3 亿开尔文）的极端条件下高效计算碳的状态方程，将计算时间压缩至分钟量级，并在数百节点上实现 95% 以上的弱扩展效率，服务于惯性约束聚变等前沿研究。

华为计算 2026 年 10 月 31 日发文披露，在北京大学鲲鹏昇腾科教创新卓越中心支持下，北大力学与工程科学学院陈默涵研究员团队完成了这一优化，相关代码已推送到 GitHub 开源社区。

为什么能快：先把闲置的硬件能力用起来

鲲鹏 920 不同型号支持的向量指令集并不一样，分别是 NEON、SVE 与 SVE512，还内置专门做矩阵运算的单元。沿用通用编译选项，这些能力实际一直闲着。

团队给三款芯片各适配一条路径：两款用 gcc-openmpi-openblas 编译 NEON 与 SVE 版本，第三款换 clang-hmpi-kblas 编译 SVE512 与矩阵运算版本，并新增 USE_KML 选项接入鲲鹏数学库 KML。

19 类算子怎么优化：压掉平方级复杂度

DFT 算力主要花在反复调用的小算子，而通用编译器看不到跨模块重复计算。团队把 19 类核心算子逐个重写。

广义拉盖尔多项式原本用递归，低阶结果被反复重算；改成迭代递推、只留三个中间变量后，复杂度降到 O(n)，同一算子百万次调用快了约 8 倍。多项式插值区间查找换成二分法，400 项表平均比较从约 200 次降到 9 次。

从手工调优到 DevKit 自动优化：经验能否复用

手工调优的痛点在于换体系、换硬件就要重来。团队用一站式开发套件 DevKit 的源码自动优化能力，让工具自己识别同类瓶颈并给出优化后代码。

实测在 920 新型号上，计算 8 原子温稠密碳（sDFT）快 2.28 倍，计算 512 硅原子（LCAO 基组）快 2.66 倍。这套经验可沉淀为其它科学软件也能用的基础工具。

所以呢：对国产算力与科学软件意味着什么

ABACUS（原子算筹）是国内自主研发的密度泛函开源软件，国内外用户超 1000 人、应用单位过百家。此次优化证明国产算力经深度适配后能跑赢同代主流硬件。

值得注意的是，团队同款工作已凭”基于鲲鹏高性能平台的极端条件温稠密碳模拟”获 PAC2026 应用组特等奖。这意味着软硬协同正成为国产科学计算的可复制路径。

常见问题

ABACUS 是什么，谁在用？

ABACUS（原子算筹）是研究半导体、金属等材料性质的第一性原理开源软件，由多家单位联合开发，国内外高校与科研机构均有用户。

优化后的代码开源了吗？

已开源。相关代码推送到 GitHub 社区，鲲鹏 920 的编译与使用指南也在 ABACUS 项目组渠道发布。

这对国产算力意味着什么？

意味着从硬件、基础软件到迁移工具的整链支撑可被激活，大型科学计算软件经调优后能在国产平台上跑得更快。

信息来源：华为计算 2026 年 10 月 31 日发文，IT之家 2026 年 11 月 1 日报道；北京大学新闻网 PAC2026 获奖信息。

全栈自研：从芯片到科学计算一条龙

太初元碁的 AI4S 平台于今年 7 月正式上线，覆盖硬件、基础组件、加速库、模型框架和开发套件全链路。平台以自研异构众核 AI 芯片为算力底座，兼容龙芯、申威、飞腾、x86 等国内外主流中央处理器，并深度适配 PyTorch、JAX、飞桨、MindSpore 等主流 AI 框架。

配套的 DevKit 开发套件大幅降低了算子开发和性能调优门槛。算法工程师杜非凡表示，平台的目标是让”中国芯”直接赋能科学计算，让科研团队不必再依赖国外专用硬件。目前平台已在气象预报、量子模拟、基因分析、材料仿真等方向与清华大学、湖南大学、山东大学、百度、东润等高校与机构落地合作。

TecoWeatherNext：把台风轨迹装进 AI 大模型

此次外滩大会首次公开的 TecoWeatherNext 台风追踪系统，把气象数据、AI 预报模型与台风识别技术整合在一起，可在一套界面内同时展示台风轨迹、风场、海平面气压、温度、降水等图层，并适配国产气象大模型输出。

系统支持数据获取、智能预测与台风识别的一体化流程，目标是让气象防灾减灾工作从单点台风路径预报，扩展到完整气象要素场的滚动预测。对沿海省份的应急、海洋与农业部门来说，这意味着可以在同一个国产计算平台上跑出更细粒度的台风风险评估。

生态与人才：联合近 20 家高校发起倡议

平台已上架量子力学、化学材料、生物医药、气象预测、能源科学、低空经济等多款场景应用模块，并联合近 20 家国内高校、科研机构与企业发起”AI4S 国产算力创新生态校企共建倡议”，推动人工智能与科学研究的纵深融合。

在外滩大会同步设置的科技人才招聘专场上，太初元碁现场开放 AI 工程、芯片研发、基础软件等十余个核心岗位，覆盖 AI 芯片推理架构研究员、高性能算子库研究员、解决方案架构师等热门方向。校招负责人刘锐涵介绍，太初元碁硕博学历人才占比超过 70%，两年来在北京、上海、无锡累计引进校招人才 50 余位，”新任干部内培率达 90%”，并通过”启航”培养计划孵化内部高阶业务骨干超 80 位。

对正在寻找算力底座的科研团队而言，国产 AI4S 计算平台的出现，意味着从天气预报到量子模拟的关键算力，第一次有了从芯片到框架再到场景模块的完整国产路径。

主角：25 万行的 CReSS 气象代码

论文的案例对象是 CReSS，一套用 Fortran 写成的遗留天气模拟代码，规模超过 25 万行。这类程序不是普通的旧代码——它们是长期通过与观测数据反复比对、在领域研究中积累起科学可信度的资产。把它们搬到以 GPU 为核心的高性能计算系统，既要适配新架构，又不能丢掉原有的科学有效性。

工作流：先验证，再移植

研究团队设计了一套「以验证为中心」的 AI 辅助工作流。智能体先抽取代码里的 OpenMP 并行区域，再从有物理意义的模拟状态生成基于数据转储的内核基准，接着施加 OpenACC 变换完成 GPU 化，最后通过和参考数据的逐元素比对做数值校验。

换句话说，每一步移植都要能「对账」：新代码算出来的结果，必须和原来的老代码逐点一致，否则就不算成功。

结果：162 个内核通过验证，整体提速 5.1 倍

在以真实台风模拟为案例的测试中，这套工作流为 162 个目标内核产出了通过数值验证的 GPU 实现，并在可接受的工时范围内，拿到了应用级 5.1 倍的加速。

这意味着，原本在 CPU 上跑得很吃力的长期天气模拟，有望在不牺牲科学准确性的前提下显著提速。

意外收获：揪出 5 处数值隐患

更值得关注的是，工作流在验证环节发现了 5 个内核出现了数值偏差——根源在于浮点运算与内建函数的差异，包括阈值敏感的分支发散，以及相消效应带来的精度损失。这些问题在肉眼比对下极难发现，却被「逐元素对账」机制捕捉到，并反馈给了程序开发者。

启示：AI 移植不只是写代码

论文指出，大规模科学代码的 AI 辅助移植，难点不在代码生成本身，而在贯穿多轮会话的上下文管理、运行时状态的重建，以及从微小的静态分析疏漏中恢复。

对这类需要严格数据对账的遗产系统来说，真正关键的不是「让 AI 把代码改完」，而是设计一套以验证为先的工作流。AI 在这里更像是严谨的工程搭档，而不是甩手就用的自动转换器。

来源：arXiv:2608.13122（Tetsuya Hoshino 等，2026）