圖靈獎花落高性能計算:72歲美國田納西大學教授唐加拉獲獎

3月30日,“計算領域的諾貝爾獎”圖靈獎公布,美國田納西大學電氣工程和計算機科學系教授Jack J. Dongarra(傑克·唐加拉)因其對高性能計算髮展的貢獻而得到表彰。

Jack J. Dongarra自1989年起即為田納西大學電氣工程和計算機科學系特聘教授,也是美國橡樹嶺國家實驗室計算機科學和數學部的傑出研究人員。自2007年以來,他還擔任曼徹斯特大學數學學院的圖靈研究員,同時在萊斯大學計算機科學系擔任兼職教授。
Jack J. Dongarra自1989年起即為田納西大學電氣工程和計算機科學系特聘教授,也是美國橡樹嶺國家實驗室計算機科學和數學部的傑出研究人員。自2007年以來,他還擔任曼徹斯特大學數學學院的圖靈研究員,同時在萊斯大學計算機科學系擔任兼職教授。

美國計算機協會(ACM)在官網中寫道,ACM圖靈獎授予JACK J. DONGARRA以表彰其開創性的概念和方法,這些概念和方法推進了給世界帶來改變的計算。他在數值算法和庫方面的開創性貢獻,使得高性能計算軟件能夠跟上四十多年來的指數級硬件更新。

Dongarra在接受《ZD Net》採訪時表示,在他看來,他最重要的貢獻包括三件事,“其中一個是設計和構建在高性能機器上運行的數值軟件,該機器可以獲得性能並且可移植到其他機器和架構中。”其次是他在并行處理機制方面的工作,包括廣泛使用的“消息傳遞接口”(MPI,Message-Passing Interface)。第三,衡量計算機運行速度的性能評估技術,這已成為超級計算機的TOP500列表。

“所有這些工作都專註於先進的計算機架構,以及如何非常有效地利用它們,”Dongarra表示。

ACM圖靈獎通常被稱為“計算領域的諾貝爾獎”,獎金為100萬美元,由谷歌提供資金支持,以世界計算機科學的先驅Alan M. Turing(艾倫·圖靈)的名字命名。

“Dongarra通過對線性代數運算的高效數值算法、并行計算編程機制和性能評估工具的貢獻,引領了高性能計算的世界。”ACM介紹道。

近四十年來,人人皆知摩爾定律使硬件性能呈指數級增長。與此同時,雖然大多數軟件未能跟上這些硬件進步的步伐,但高性能數值軟件卻做到了——這在很大程度上歸功於Dongarra的算法、優化技術和生產質量的軟件實現。

Dongarra今年72歲(出生於1950年7月),曾在芝加哥州立大學獲得數學學士學位,在伊利諾伊理工學院獲得計算機科學碩士學位,后在新墨西哥大學獲得應用數學博士學位,是美國國家工程院院士與英國皇家學會的外籍院士。在此次獲得圖靈獎之前,Dongarra也曾獲IEEE計算機先鋒獎、SIAM/ACM計算科學與工程獎和ACM/IEEE肯尼迪獎,同時還是ACM Fellow、IEEE Fellow、SIAM Fellow、AAAS Fellow、ISC Fellow 與 IETI Fellow。

1980年的Jack Dongarra
1980年的Jack Dongarra

“我是一個數學家,對我來說,一切都是線性代數,但世界也正在看到這一點,” Dongarra曾在採訪中表示,“這是我們用來建造其它東西的材料。機器學習和人工智能中的大多數問題都可以追溯到線性代數中的‘永恆的計算組件’。”

據ACM介紹,Dongarra的主要貢獻是創建了開源軟件庫和標準,這些軟件庫和標準採用線性代數作為中間語言,可以被各種應用程序使用。這些庫為單處理器、并行計算機、多核節點和每個節點的多個GPU編寫。Dongarra創建的庫還引入了許多重要的創新,包括自動調整、混合精度算術和批處理計算。

Dongarra的所有這些努力最終使得,基於線性代數的軟件庫在從筆記本電腦到世界上最快的超級計算機上等都實現了高性能科學和工程計算,這些庫使功能越來越強大的計算機能夠解決具有計算挑戰性的問題。

ACM主席Gabriele Kotsis表示,”當今最快的超級計算機在媒體上成為頭條新聞,並通過在一秒鐘內完成萬億次計算的驚人壯舉來激發公眾的興趣。除了打破新紀錄以外,高性能計算一直是科學發現的主要工具。高性能計算的創新也蔓延到許多不同的計算領域,推動了整個領域的發展。Jack Dongarra在引導這一領域的成功發展中發揮了核心作用。他的開拓性工作可以追溯到1979年,而且至今他仍是高性能計算社區中最重要且積极參与的領導者之一。他的職業生涯無疑體現了圖靈獎對於’具有持久重要性的重大貢獻’的認可”。

“Jack Dongarra的工作從根本上改變並推動了科學計算,”谷歌高級研究員、谷歌健康高級副總裁Jeff Dean說道,“他在世界上使用最頻繁的數值庫的核心所做的深入而重要的工作是科學計算各個領域的基礎,幫助推進了從藥物發現到天氣預報、航空航天工程和其他數十個領域的一切,並且他專註於表徵廣泛的計算機已經導致計算機體系結構的重大進步,非常適合數值計算。”

Dongarra在採訪中表示,他正在學習建立在所有線性代數代碼之上的各種機器學習AI技術,他堅信AI將為工程和科學帶來的好處。

“機器學習是幫助解決科學問題的重要工具,”Dongarra說道,“我們才剛剛開始了解如何使用AI和機器學習來幫助解決這些問題。它不會解決我們的問題,它會幫助我們解決問題。”

(0)
上一篇 2022-03-30 20:49
下一篇 2022-03-30 20:49

相关推荐