美國下一個主要的超級計算機 Discovery 已經準備好迎接首批科學挑戰。儘管該系統預計在 2028 年才會投入運行，但美國能源部已經準備了九個應用程式，這些應用程式將在機器可用時運行。此係統將接替位於橡樹嶺國家實驗室的 Frontier，並支持 Genesis 任務的目標，即通過人工智能加速科學和工程的發展。以下是選定的九個科學項目，旨在充分發揮 Discovery 在航空、融合、量子材料、天體物理學和能源研究等領域的潛力。
九個科學項目將推動 Discovery 的計算能力
1. GlennHT：燃氣輪機引擎極為複雜，特別是在湍流、次流和膜冷卻影響性能和組件温度時。此項目由 NASA 的 Kenji Miki 領導，將幫助研究人員運行大型渦流模擬。這些模擬比標準的雷諾平均納維-斯托克斯模擬更為準確，但計算成本也更高。預計 Discovery 的 AMD GPU 將幫助 NASA 以前所未有的規模和複雜性運行常規的渦輪機模擬。
2. GIZMO：暗物質仍然是天體物理學中最大的未解之謎之一，理解它需要能夠將非常大和非常小的尺度相連接的模擬。此項目由加州理工學院的 Philip Hopkins 領導，GIZMO 將利用 Discovery 模擬宇宙物理學的廣泛範圍，研究從宇宙網絡到超大質量黑洞的一切。該項目還將測試較小、更快的效應（如噴流和吸積流）如何與較大的宇宙結構相連。
3. QMCPACK：量子材料有潛力塑造未來的技術，但模擬它們的行為仍然受到可用計算能力的限制。由 ORNL 的 Paul Kent 領導的 QMCPACK 專注於量子材料及其特性，包括磁性和導電性。更準確地理解這些材料可能支持未來的技術，如量子計算和新材料配方，並減少對關鍵元素的依賴。
4. QUDA_LAPH：為了理解質子和中子之間的相互作用，科學家需要模擬量子色動力學（QCD）。此項目由勞倫斯伯克利國家實驗室的 Andre Walker-Loud 領導，旨在利用 Discovery 執行更大規模的模擬，減少近似值的使用，這將幫助科學家更準確地計算量子質量，並更好地理解涉及質子和中子的相互作用。
5. ALF：原子模擬依賴於對總能量和原子力的極其精確的計算。主動學習框架（ALF）將幫助科學家改進這些模擬，專注於機器學習的原子間勢能（MLIPs）。該項目由 ORNL 的 Richard Messerly 領導，可能利用 Discovery 加速整個 ALF 工作流程，從數據選擇和量子機械計算到模型訓練，目標是利用更小、更易管理的數據集更快地構建 MLIPs。
6. S3D-Regent：下一代靈活燃料燃氣輪機可能有助於應對能源需求，但其氮氧化物污染尚未完全瞭解。此項目由桑迪亞國家實驗室的 Jacqueline Chen 領導，將模擬這類輪機內的湍流火焰混合和複雜化學反應。Discovery 將允許研究人員運行直接數值模擬，捕捉大規模的湍流和小規模的不穩定性，這可能支持更清潔、更安全和更高效的輪機設計。
7. GENESIS：開放風扇飛機引擎可能使燃油消耗降低 20%，但模擬引擎和整架飛機周圍的氣流極具挑戰性。通用電氣航空研究部的 GENESIS 項目將利用 Discovery 解決這一挑戰，由 Eduardo Jourdan de Araujo Jorge Filho 領導，該項目將結合機器學習和人工智能模型與最先進的 LES 解算器。模擬可能追蹤數兆個變量，涵蓋數十億的時間步驟，為未來的開放風扇飛機設計鋪平道路。
8. PIConGPU：融合能源承諾成為幾乎無限的清潔能源來源，但反應堆設計仍然是一個主要的技術挑戰。PIConGPU 將支持激光驅動融合的研究，包括先進納米結構目標的設計。此項目由特拉華大學的 Sunita Chandrasekaran 領導，並包括德國赫爾姆霍茨中心德累斯頓-羅森多夫。利用 Discovery 的計算能力和人工智能優化，研究人員希望運行高保真模擬，以更快且更少的模擬識別出更有效的融合目標設計。
9. SPARC：將甲烷轉化為甲醇一直是能源行業的目標，但其化學反應仍然難以確定。此項目由喬治亞理工學院的 Phanish Suryanarayana 領導，將研究該轉化過程。項目專注於銅-沸石催化劑，科學家們尚未完全理解導致碳-氫鍵活化的確切銅-氧結構。實驗結果也與密度泛函理論計算不一致。SPARC 將利用多體隨機相位近似計算，這比典型的 DFT 方法更準確，以產生更可靠的基準反應能量和活化能障。
