提高计算机性能： 让一台计算机不是使用一个CPU，而是使 用几百个或者几千个CPU。 将成百上千台计算机通过网络互联起来， 组成计算机集群。 研究CPU运算速度更快的量子计算机、生 物计算机与光计算机。

Parallel-META 2.0：具有功能注释，高性能计算和高级可视化功能的增强型元基因组数据分析

20210820-中信证券-科技先锋系列报告226：特斯拉AI日，自动驾驶，Dojo高性能计算，人形机器人.pdf

人工智能-机器学习-面向高性能计算的SOA研究与设计.pdf

人工智能-机器学习-面向高性能计算的分布式内存文件缓存系统.pdf

人工智能-机器学习-面向高性能计算的性能评价模型技术研究.pdf

人工智能-机器学习-混合异构众核平台上的高性能计算金融算法研究.pdf

《GPU高性能计算之CUDA》实例。 GPU高性能计算系列丛书的第一本《GPU高性能计算之CUDA》已经出版，由张舒，褚艳利，赵开勇，张钰勃所编写。本书除了详细介绍了CUDA的软硬件架构以及C for CUDA程序开发和优化的策略外，还包含有大量的实例供读者学习参考用。 下表是各个实例的介绍列表。 文件夹 对应书中章节 备注 ACsearch_DPPcompact_with_driver 5.2.2 AC多模式匹配算法 asyncAPI 2.5 异步API调用示例 bandwidthTest 2.3.6 带宽测试 Bitonic 5.1.1 双调排序网络 conjugateGradient 5.2.1 共轭梯度算法，CUBLAS实现 cudaMPI 2.7.3 CUDA+MPI管理GPU集群 cudaOpenMP 2.7.2 CUDA+OpenMP管理多GPU deviceQuery 2.1.4 设备查询 histKernel 2.4.3 亮度直方图统计 matrixAssign 2.1.4 矩阵赋值 matrixMul 4.7.1 矩阵乘法，利用shared memory matrixMul_Berkeley 4.7.1 矩阵乘法，利用register reduction 4.7.2 并行归约（缩减）程序 scan 5.1.2 Scan算法，例如计算前缀和 scanLargeArray 5.1.2 Scan算法，可以处理大数组 simpleCUBLAS 5.1.3 CUBLAS库的简单应用 simpleCUFFT 5.1.4 CUFFT库的简单应用 simpleD3D9 2.6.2 CUDA与Direct3D 9互操作 simpleD3D10 2.6.2 CUDA与Direct3D10互操作 simpleGL 2.6.1 CUDA与OpenGL互操作 simpleMultiGPU 2.7.1 多设备控制 simpleStreams 2.5.2 流的使用演示 simpleTexture 2.3.8 简单的纹理使用 simpleTextureDrv 2.3.8 简单的纹理使用，驱动API 实现 sortingNetworks 5.1.1 双调排序网络，处理大数组 threadMigration 2.7.1 通过上下文管理和设备管理功能实现多设备并行计算 timing 4.2.1 设备端测时 transpose 4.7.3 矩阵转置 transposeDiagonal 4.7.3 矩阵转置，考虑partition conflict VectorAdd 2.2.3/2.3.4 矢量加 VectorAddDrv 2.2.3/2.3.4 矢量加，驱动API实现 【备注】以上工程，均在Windows XP 64-bit + Tesla C1060 + CUDA 2.3 + VS2005环境下测试通过。

阿里云资深专家何万青 博士在2017杭州云栖大会中做了题为《阿里云弹性高性能计算E-HPC —— 云之彼端，是青藏高原》的分享,就中国高性能计算的趋势与展望、阿里云弹性高性能计算平台E-HPC发布、对高性能需求的讨论做了深入的分析。

最近一段时间，有关超算的话题成为热门，一时间大家都开始讨论超算，各种浮于表面的吹牛，逼格负无穷的装逼。然而，冬瓜哥发现在所有这些讨论中，从没有在任何时间任何地点发现任何人问出就连小学生都经常问的问题：超算到底是怎么算的？不得不说是一件可悲的事情。