曾令仿

之江实验室 研究员

CCF杰出会员和CCF杰出演讲者。主要从事超算存储、存算一体等相关方向研究。博士毕业于华中科技大学计算机学院，曾在德国美因茨大学、新加坡国立大学工作六年。发表一作、通讯SCI收录论文46篇，其中包括FAST、SC、SIGMOD、TC、TPDS、ToS等CCF A类论文。近两年项目执行经费过亿元。2006年获ACM/IEEE SC06高性能存储挑战竞赛决赛奖，2011年获湖北省技术发明一等奖，2018年获IEEE UIC最佳论文奖，2021年获浙江省科技进步二等奖。

报告题目：基于国产人工智能训练芯片的异构智算集群软硬件协同优化

针对海量数据和应用需求不断发展带来的算力需求和高能耗等问题，基于国产人工智能训练芯片，从高效并行策略、高效数据存储、合适数据精度、动态负载均衡等视角，我们重新思考构建适合高性能计算、大数据处理和人工智能应用的异构集群系统，并基于开放计算规范构建了支持多样化应用灵活部署与高效运行的异构融合冷板式液冷集群系统。本报告中，介绍我们在系统构建实践中遇到的挑战以及相应的解决方法。

吴晨涛

上海交通大学 教授

华中科技大学、美国弗吉尼亚联邦大学双博士。CCF体系结构专委会委员、信息存储专委会常委，上海计算机学会体系结构专委会委员、存储专委会副主任。研究方向主要为云存储、大数据存储系统。在IEEE TC、IEEE TPDS、IEEE Computer、JCST、HPCA、DSN、IPDPS、SRDS、MSST、ICPP、Cluster等期刊会议上发表论文70余篇。入选2018年上海交通大学晨星计划，相关成果获2018年上海市技术发明一等奖、2019年国家技术发明二等奖、2020 ICCD Best Paper Award等奖励。

舒继武

CCF会士、CCF理事、CCF信息存储技术专委主任

厦门大学 信息学院院长, 清华大学 长聘教授

IEEE Fellow；主要研究领域为信息存储系统、智能存储、并行分布式系统等，相关论文发表在包括SOSP、OSDI、FAST、USENIX ATC、MICRO、ISCA、ASPLOS、SC、SIGMOD、VLDB等国际学术会议和ACM TOS、IEEE TC/TPDS等权威期刊上百余篇；承担过国家重点研发项目、国家重大专项课题、863项目、973课题、自然科学基金重点项目等；获国家科技进步二等奖和国家发明技术二等奖各1次。

报告题目：面向在网计算的存储系统设计与思考

在后摩尔时代，处理器性能停滞与全球数据持续增长成为现阶段主要矛盾。近年来，异构计算技术兴起，GPU、TPU、可编程网络交换机/网卡等专用可编程设备被引入，以应对不同场景下的数据处理及存储问题。报告将介绍基于可编程网络设备的在网计算技术对存储系统设计的机遇与挑战，同时介绍本团队围绕在网计算技术的一些初步探索，包括：1）基于可编程交换机的在网缓存一致性协议；2）基于可编程交换机的分布式事务在网协调；3）基于智能网卡的事务请求调度。

冯丹

CCF会士

华中科技大学 计算机科学与技术学院院长/教授 

国家杰出青年基金获得者、国家级人才项目入选者。从事信息存储系统与技术、存算一体、计算机系统结构等研究，担任2个973项目首席科学家，863重大项目总体专家组组长、基金委创新研究群体项目负责人等。授权发明专利100余项，发表论文300余篇，著作2部，主持完成国家标准6项和电子行业标准3项。获国家技术发明二等奖2项。

报告题目：新型非易失存储挑战及相关研究

以半导体存储为代表的新一代非易失性存储，一方面从机理、材料、工艺、结构等方面追求高密度、大容量、快速、高可靠等指标，不断推动新型NVM实用化，另一方面，随着忆阻器机理、非冯诺依曼体系结构、类脑体系结构等进展，存内计算相关研究成为当前研究热点。报告将介绍新型非易失性存储面临的挑战及发展趋势，以及我们在高性能高可靠存储、存算一体相关技术方面的研究进展。

华宇

华中科技大学 教授

CCF杰出会员、CCF和ACM的杰出演讲者。研究方向是新型存储器件、云存储系统、非易失内存系统等。在OSDI、ASPLOS、MICRO、FAST、HPCA等国际会议上发表学术论文。在ACM APSys 2019、ICDCS 2021等国际会议上担任程序共同主席/副主席。研究成果获得教育部自然科学一等奖、湖北省科技进步一等奖等，培养的博士生获得ACM China优秀博士学位论文的全国奖。

报告题目：人工智能赋能的大内存系统与安全机制

人工智能作为新型的存算密集型应用对存储系统在高性能和强安全等方面提出新的挑战，而新型内存器件的不断涌现正成为大内存的重要基础设施。在新应用和新硬件的双重挑战下，如何以智能化的方式高效融合应用和硬件来构建多层次、可扩展和具有安全保证的大内存正成为存储系统领域的重要科学问题。报告将全面分析和研究现有大内存系统的体系结构和安全机制，在数据结构、分布式事务和安全加密方法等方面介绍最新的研究进展，并对未来发展方向提出展望。

孙广宇

北京大学 长聘副教授

研究领域为体系架构的设计与自动化，包括高能效计算架构、新型存储架构、应用-架构-电路跨层设计等。近年来在ISCA、MICRO、HPCA、DAC、TCAD、TC等会议和期刊上发表论文150余篇, 获最佳论文奖3次、最佳论文提名3次。获得2021年度CCF-IEEE CS青年科学家奖、DAC Under-40 Innovators Award等，并入选北京智源人工智能研究院“青年科学家”。

报告题目：DRAM近存计算架构的发展、挑战与设计优化

基于DRAM的近存计算架构具备高访存带宽、大存储容量的优势，对于大规模神经网络、图计算、推荐系统等应用有较好的加速效果，因此受到了学术界和工业界的广泛关注。本报告首先回顾近几年工业界提出的DRAM近存计算架构设计原型；然后，结合这些设计分析其面临的一些挑战；最后，分享我们在这个领域的两个相关工作。

陈志广

中山大学计算机学院 副教授

国家超级计算广州中心副主任。研究方向为大数据存储与处理、高性能计算。针对超算系统中高性能计算与大数据处理融合的需求，主导研发面向异构存储的高并发低延迟大规模并行文件系统Kapok，获得“奥林帕斯”先锋奖。主持国家重点研发计划课题、国家自然科学基金面上项目、青年基金、广州市珠江科技新星等项目8项。

报告题目：面向超算系统的深度学习训练加速

当前，采用人工智能手段优化传统高性能计算应用的AI for Science技术已成为超算领域新的研究热点。针对高性能计算应用产生的科学大数据实施深度学习训练已成为超算系统上新的计算模式。以科学大数据为输入的深度学习训练具有数据量大、计算密度高的特点。本报告针对以上特性，探讨了超算系统上深度学习训练的I/O加速、向量指令加速、NUMA众核加速等相关技术，为超算领域的AI for Science创新实践提供有力支撑。

曾令仿

之江实验室 研究员

报告题目：基于国产人工智能训练芯片的异构智算集群软硬件协同优化

针对海量数据和应用需求不断发展带来的算力需求和高能耗等问题，基于国产人工智能训练芯片，从高效并行策略、高效数据存储、合适数据精度、动态负载均衡等视角，我们重新思考构建适合高性能计算、大数据处理和人工智能应用的异构集群系统，并基于开放计算规范构建了支持多样化应用灵活部署与高效运行的异构融合冷板式液冷集群系统。本报告中，介绍我们在系统构建实践中遇到的挑战以及相应的解决方法。