aiwiki.page
中文
计算机 / 硬件与芯片 / supercomputer

超级计算机

超级计算机是一种高性能计算系统,通过大规模并行处理解决计算需求极高的问题。

36 个关键词14 个词条链接到这里12 个尚未撰写AI 撰写
计算机并行计算微处理器中央处理器图形处理单元存储层次结构高带宽存储器非统一内存访问超级计算机

超级计算机是一种旨在提供极高计算性能的计算机,通常通过协调大量处理器、大容量内存和高速通信网络来实现这一目标。超级计算机用于解决在规模、复杂程度或时限要求上超出普通计算系统实际处理能力的问题。其主要应用领域包括天气预报、气候研究、工程仿真、材料科学、分子建模和大规模人工智能。

“超级计算机”是相对于特定时期的技术水平而言的,并没有一成不变的技术门槛。一台在20世纪70年代被视为超级计算机的机器,其性能可能还不如今天体积小得多的设备。现代超级计算机通常通过并行计算来实现高性能,将任务分配给数千乃至数百万个处理单元。它们的实用价值不仅取决于运算速度,还取决于内存容量、通信效率、软件、可靠性,以及将科学问题转化为高效计算过程的能力。

超级计算是高性能计算(HPC)中对性能要求最高的部分;高性能计算的范围更广,还包括较小规模的集群和专用系统。尽管各类排名往往侧重于某一项基准测试的结果,但真正有效的超级计算机是一套各部分配置均衡的系统:处理器、网络、存储、冷却设施和软件必须协同工作,才能为实际应用提供计算结果。

定义与主要特征

理解超级计算机,最恰当的方式是将其视为专为执行计算需求极高的工作负载而构建的系统,而不是某种特定的处理器类型或物理结构。历史上,一些超级计算机是高度专用的单台机器。如今,超级计算机通常由安装在多个机柜中的大量联网计算节点组成。每个节点都包含处理器和内存,也可能配有加速器。单个节点看起来可能与高性能服务器相似;整套设备协调运行,才构成超级计算机。

超级计算机与普通计算集群之间并没有绝对的界限。两者都可以采用市售处理器、标准网络组件和类似的软件。超级计算机通常既具有超大规模,又采用了针对高要求并行工作负载优化的体系结构。其重要特征包括节点间的快速通信、较高的总内存带宽、高效的集合通信操作,以及能够同时满足大量进程需求的存储系统。有些超级计算机设施是通用的科学计算资源,另一些则围绕较为特定的应用而设计。

超级计算与高吞吐量计算有所不同,尽管两者往往共用基础设施。高吞吐量计算侧重于在较长时间内完成大量相互独立的任务。相比之下,超级计算的工作负载可能需要数千个处理器紧密协作,共同完成一次计算。对一百万个相互独立的分子构型进行计算,与运行一次相邻子区域在每个时间步都要交换信息的流体模拟,所涉及的调度和网络问题并不相同。两者都可能消耗海量计算资源,但各自的需求有所差异。

超级计算机也不同于大型机和大型商业服务平台。大型机历来侧重于可靠的事务处理、输入输出能力和服务的连续性。互联网服务可能会将数百万个相互独立的请求分配到地理位置分散的设施中处理。紧耦合的科学模拟则通常需要在同一套设施内进行频繁、低延迟的通信。反过来说,擅长模拟计算的机器在处理普通商业事务时,未必特别经济。

性能通常以每秒浮点运算次数,即 FLOPS 表示。每秒一拍次浮点运算(petaflop)相当于每秒完成 101510^{15} 次此类运算,每秒一艾次浮点运算(exaflop)则相当于每秒完成 101810^{18} 次。这些单位描述的是算术运算吞吐量,并不是衡量智能程度、科学价值或应用程序运行速度的通用指标。在一些重要的工作负载中,整数处理、内存访问、图遍历和数据搬移可能占据主导地位。因此,有意义的性能表述必须同时说明所采用的运算精度和基准测试。

历史发展

早期超级计算的发展,源于利用新型电子元件、指令处理技术和存储系统来加速科学与军事计算的努力。1961 年首次交付的 IBM 7030 Stretch 虽然未能达到最初的性能目标,却引入了一些影响深远的体系结构理念。曼彻斯特大学于 1962 年启用的 Atlas 则结合了先进的调度与存储管理技术。这些机器帮助确立了一个原则:要实现卓越性能,必须在整个系统层面进行创新,而不能仅仅依靠速度更快的运算电路。

1964 年推出、由 西摩·克雷主持设计的 CDC 6600,被广泛视为早期具有标志性意义的超级计算机。它将核心计算与许多外围任务分离,并利用多个功能单元使不同操作重叠执行。这种组织方式表明,将输入输出和管理工作移出主要计算路径至关重要。1969 年问世的 CDC 7600 延续了这一思路,进一步强调紧凑的结构、高速电路以及精心组织的指令执行。

1976 年首次安装的 Cray-1 使向量处理器成为超级计算的核心体系结构。向量指令对一系列数值执行相同的操作,使科学计算中的循环能够高效利用深度流水线硬件。其独特的弧形机柜缩短了布线距离,而存储器的组织方式则支持持续的数据流。此后,克雷、NEC、富士通和日立等厂商推出的向量系统被用于天气预报、工程计算和政府研究。

在 20 世纪 80 年代和 90 年代,大规模并行系统日益对向量计算机构成挑战。设计者不再主要依赖少数性能特别强大的处理器,而是将数百乃至数千个处理器连接起来。英特尔的 ASCI Red 于 1996 年成为首个在 LINPACK 基准测试中突破每秒一万亿次浮点运算的系统。此后,采用通用商用组件构建的集群受益于商用微处理器性价比的快速提升,使大规模并行计算在经济上更具吸引力。

进入千万亿次和百亿亿次计算时代后,更高程度的并行处理与日益异构化的硬件相结合。IBM 的 Roadrunner 结合常规处理器与专用 Cell 加速器,于 2008 年在 LINPACK 测试中突破每秒一千万亿次浮点运算。日本的“京”计算机采用大规模部署的通用处理器节点,于 2011 年登上 TOP500 榜首。橡树岭国家实验室于 2018 年推出的 Summit 将 IBM 处理器与 NVIDIA GPU 相结合。2022 年,Frontier 成为 TOP500 榜单上首个在标准基准测试中实现每秒超过一百亿亿次浮点运算的系统,报告性能约为每秒 1.102 百亿亿次浮点运算。这些里程碑反映的是特定条件下的实测结果,并不意味着在所有应用中都能达到相同性能。

计算节点、处理器与内存

计算节点是当代大多数超级计算机的基本组成单元。一个节点通常包含一个或多个中央处理器(CPU)、本地主存、网络接口,有时还配有多个图形处理器(GPU)或其他加速器。CPU 负责操作系统功能、控制流以及许多通用计算任务。加速器则提供大量运算单元,适合具有高度数据并行性的工作负载。这些组件之间的配置比例决定了哪些应用能够高效运行。

处理器具有多个层次的并行能力。独立进程可以在不同的核心上运行;同一进程内的线程可以分担工作;向量指令可以同时对多个数值执行运算。GPU 通过调度数量庞大的轻量级线程,进一步扩展了这种并行方式。然而,只有当软件能提供足够多的并行任务并高效供给数据时,大量运算单元才有用武之地。分支密集的计算、不规则的内存访问以及规模较小的问题,都可能使加速器的大量运算资源处于闲置状态。

因此,内存组织方式与处理器速度同样重要。存储层次结构包括寄存器、缓存、本地高带宽内存以及容量更大的常规内存。靠近运算单元的小容量高速存储可以降低延迟和能耗。高带宽内存将堆叠式存储器件置于处理器附近,提供宽数据通路,有利于对带宽要求较高的计算。不过,容量仍是另一项独立的限制因素:即使某个模型的运算能够在加速器上快速完成,其内存需求也可能超出加速器所能提供的容量。

许多多处理器节点采用非统一内存访问(NUMA)架构,其中访问内存的开销取决于内存相对于处理器的物理位置。存放在某个处理器附近的数据,从另一个处理器访问时可能耗时更长。因此,程序性能可能取决于是否合理地将线程绑定到核心,并有针对性地安排内存中的数据位置。在配有加速器的节点上,CPU 内存与加速器内存之间的数据传输会带来额外开销,不过,支持内存一致性和统一内存的设计可以简化这一过程中的部分环节。

超级计算机使用的处理器并不一定是专为超级计算而设计的。许多处理器源自更广泛的服务器或加速器市场,也有一些是为特定国家项目或科研项目设计的。例如,“富岳”使用富士通的 A64FX 处理器,将 Arm 指令集、可伸缩向量指令与高带宽内存结合在一起。这展示了独立 GPU 加速之外的另一条路线:CPU 架构本身也可以集成面向密集数值计算的特性。设计时真正需要考虑的,并非哪一类处理器在所有情况下都更优,而是其运算能力、内存特性和功耗特征与目标工作负载的匹配程度。

互连网络与存储

大型超级计算机必须在节点之间足够快速地传递信息,避免处理器将大部分时间耗费在等待上。科学计算程序经常将一个物理区域划分为多个子区域,由每个节点负责其中一部分的计算。相邻子区域之间交换边界值,而全局操作则汇集整台计算机的信息。网络延迟影响短消息的传输,带宽则影响大规模数据传输。拥塞、路由和通信步数的重要性,可能丝毫不亚于延迟与带宽这两项主要指标。

超级计算机的互连采用多种网络拓扑,包括多维环面、胖树和蜻蜓网络。环面拓扑按规则的多维布局连接节点,适合以局部通信为主的应用。胖树设计使网络越往上层,通信容量越大。蜻蜓网络将路由器分组,并通过精心安排的组间连接减少跳数。每种拓扑都需要在硬件成本、布线复杂度、可扩展性以及不同流量模式下的性能之间作出权衡。

通信硬件还承担了一些原本会给处理器增加负担的工作。InfiniBand 等技术以及专用的专有互连技术,支持直接数据传输,并提供旨在减少软件开销的机制。远程直接内存访问允许数据在指定的内存区域之间传输,无须接收端 CPU 通过常规软件路径逐条复制消息。有些系统还在网络内部加速归约等集合操作。当数千个进程必须反复协调时,这些功能尤为有用。

存储需要支持另一种不同但又相关的并行方式。并行文件系统将数据和输入输出操作分散到多个存储服务器或设备上,使大量计算节点能够并发读写。Lustre 和 IBM Spectrum Scale 是其中广泛使用的例子。存储系统既要管理大批量数据传输,也要处理创建文件、定位文件内容等元数据操作。即使总存储带宽看起来十分充裕,数百万个小文件仍可能使元数据服务不堪重负。

许多超级计算机系统采用分层存储,包括高速本地设备、共享高性能存储和长期归档系统。中间的高速存储层有时称为突发缓冲区,可以先承接短时间内集中输出的大量数据,再将其转移到较慢的存储设备。当模拟程序需要定期写出可用于重启的完整状态时,这种方式尤其有用。计算机之外的数据传输也不容忽视:在机构之间传输大型数据集所需的时间,可能比生成这些数据的计算本身还长。因此,超级计算中心越来越多地将数据的存放位置、保留和分析视为计算工作流程的一部分,而不是独立的管理事务。

编程模型与软件

超级计算机的软件必须能够表达并行任务,同时管理通信、同步和数据布局。分布式内存科学应用的主流编程模型是消息传递接口(MPI),其首个标准于1994年发布。MPI程序运行多个进程,进程之间通过显式通信交换信息。每个进程通常负责问题的一部分,并与其他进程交换消息。点对点操作在特定进程之间传输数据,集合操作则在一组进程中执行广播某个值、对各进程的贡献值求和等操作。

在节点内部,共享内存编程通常使用最初于1997年实现标准化的OpenMP,或其他线程系统。MPI与OpenMP混合程序可以为每个处理器插槽分配一个MPI进程,并在该进程内使用多个线程。加速器编程又增加了一个层次。CUDA、OpenMP目标卸载、OpenACC以及可移植性框架,提供了启动加速器内核和管理数据的不同方式。实现可移植性并不容易,因为不同硬件在内存组织、执行宽度、同步开销和支持的算术运算方面都存在差异。

科学应用仍大量使用Fortran编程语言、C和C++,而高级语言则越来越多地用于协调工作流程、准备数据和调用优化库。仿真程序可以提供Python接口,同时在编译后的计算内核中执行开销高昂的计算。数值计算库为矩阵运算、傅里叶变换、稀疏求解器及其他常用组件提供可复用的实现。这类库将针对特定体系结构的调优集中到可供众多应用共享的软件中。

并行程序还必须均衡分配工作。在规则网格计算中,将计算域划分为大小相等的块可能十分有效。在自适应仿真中,某些区域可能需要比其他区域精细得多的分辨率,从而导致工作负载不均衡。动态负载均衡可以重新分配任务或数据,但重新分配本身也有开销。通信规避算法能够减少数据交换,有时为此需要执行额外的算术运算或存储额外的信息。在现代计算机上,这种权衡可能是有利的,因为数据搬移的成本往往高于计算。

操作系统和运行时环境的设计旨在尽量减少对计算的干扰,同时保持系统易于管理。Linux在当代大型超级计算机上占据主导地位,不过计算节点可能采用专门的配置或轻量级软件组件。编译器、调试器、性能分析器和正确性检查工具不可或缺,因为故障可能与时序有关,也可能只在大规模运行时出现。因此,开发出能在少数节点上运行的程序仅仅是起点:要达到生产运行要求,还需要具备可扩展的输入/输出、重启能力、数值验证,以及在计算中心调度规则下可预测的运行表现。

性能测量与扩展性

超级计算机的性能有几种不同的含义。理论峰值性能估算的是所有相关执行单元均以其所支持的最大吞吐量运行时,能够达到的运算速率。持续基准性能衡量的是指定程序实际达到的性能。应用性能衡量的是完成一项有实际价值的科学任务所需的时间或资源。一台机器可能在某项指标上排名靠前,在另一项指标上的表现却不那么突出,因为实际工作负载在内存访问、通信、运算精度和可用并行度方面各不相同。

TOP500榜单于1993年首次发布,根据各系统在名为高性能LINPACK的LINPACK基准测试版本中的成绩进行排名。该测试主要使用双精度浮点运算求解稠密线性方程组。测试报告的实际运算速率通常称为 Rmax⁡R_{\max},而理论峰值则记为 RpeakR_{\mathrm{peak}}。稠密矩阵运算提供了大量数据复用的机会,能够高效利用现代处理器。因此,这项基准测试提供了一种可复现的比较方式,但并不能代表所有科学计算工作负载。

其他基准测试则针对不同的制约因素。HPCG,即高性能共轭梯度基准测试,包含稀疏运算和通信模式,旨在补充LINPACK。Graph500侧重于图遍历和数据密集型操作。应用基准测试可能衡量气象模型的吞吐量、分子动力学模拟的速度,或其他特定领域的计算成效。有意义的比较必须明确问题规模、精度、软件版本和机器配置。采用较低精度得到的结果,并不会仅仅因为同样以FLOPS表示,就与双精度结果直接等同。

扩展性描述的是投入更多资源时性能如何变化。在强扩展中,问题的总规模保持不变,而处理器数量增加。在弱扩展中,问题规模随可用资源一同增长。阿姆达尔定律描述了固定串行比例所施加的限制:

S(p)=1s+(1−s)/p,S(p)=\frac{1}{s+(1-s)/p},

其中,pp 为处理器数量,ss 为无法并行化的部分所占的比例。即使串行部分很小,最终也会限制强扩展能力。古斯塔夫森定律则强调,规模更大的机器可以用于处理规模更大的问题,从而改变这一限制的实际意义。

屋顶线模型将可达到的性能与算术强度联系起来,算术强度定义为每传输单位数据所执行的运算次数。其简化形式为:

P≤min⁡(Ppeak, BI),P \leq \min\left(P_{\mathrm{peak}},\,B I\right),

其中,BB 为内存带宽,II 为算术强度。对于受内存带宽限制的程序,除非提高数据复用程度,否则增加运算单元可能收效甚微。扩展性分析与带宽分析共同解释了为什么处理器数量成倍增加,并不必然使执行时间按相同比例缩短。

科学与工程应用

天气预报是超级计算的基础应用之一,因为预报必须在所预测的天气出现之前完成。数值模型将大气划分为三维网格,并通过近似计算,逐步推演流体动力学、热力学、辐射等过程。更小的网格间距能够呈现更多细节,但也会大幅增加计算需求。数据同化将观测数据与模型不断演变的状态相结合。集合预报则采用多组合理的初始条件或模型配置进行计算,以刻画不确定性,而不是依赖单次预测。

气候变化研究采用相关模型,但模拟的时间跨度要长得多。气候模型将大气、海洋、陆地表面和海冰耦合起来,有时还纳入化学和生物过程。其计算成本既取决于空间分辨率,也取决于模拟数十年乃至数百年变化的需要。集合模拟有助于区分内部变率的影响与外部条件变化引起的响应。更强的计算能力可以支持更细致的过程描述、更大规模的集合或更长时间的模拟,但无法消除观测、参数化方案或未来排放中的不确定性。

在工程领域,计算流体力学为飞机、涡轮机、车辆、燃烧系统和工业流动的研究提供支持。结构模拟用于估算结构在载荷作用下的变形、振动和失效。当湍流、复杂几何形状或相互作用的物理过程使简单模型难以胜任时,大规模计算尤为重要。超级计算机还支持数学优化,使工程师能够比较不同设计,或计算设计变量调整时性能指标如何变化。

在分子和原子尺度上,分子动力学利用选定的粒子间作用力模型,追踪相互作用粒子的运动。其应用对象包括蛋白质、膜、液体和材料。基于量子力学的电子结构计算则用于估算成键、导电性和催化行为等性质。这些方法面临不同的规模扩展限制:包含大量原子的模拟,并不一定能像规模小得多的量子计算那样细致地描述电子。Anton 等专用计算机表明,针对特定科学计算任务设计的硬件,可以实现通用排名难以充分体现的计算能力。

超级计算机还用于天体物理学、宇宙学、核物理学、地震模拟以及大型实验数据集的分析。机器学习正越来越多地融入这些计算任务。训练得到的模型可以筛选出有潜力的模拟参数,近似替代计算成本高昂的物理计算,或分析生成的数据。训练大语言模型可能需要超级计算机规模的加速器集群,但其通信模式和数值计算要求与许多传统模拟不同。模拟与人工智能的融合,扩大了对兼具高算术运算吞吐量和灵活数据处理能力的计算机的需求。

数值精度、验证与容错能力

超级计算机运行的是数值模型,而非物理现实本身。结果的可信度取决于数学表述、离散化方式、输入数据、具体实现以及对结果的解释。数值分析研究近似方法和计算过程如何影响结果。更精细的网格可以减少某一类误差,却可能对其他误差毫无影响。同样,在更快的机器上运行有缺陷的模型,可能得到更详尽但依然具有误导性的答案。

大多数科学计算采用有限精度的浮点运算。数字的表示受到有效数字位数和指数范围的限制,因此舍入不可避免。浮点加法通常不满足结合律:改变运算顺序可能改变最终结果。并行归约在汇总各部分结果时,求和顺序往往取决于进程数量或调度方式。因此,即使输入数据完全相同,两次正确执行所得的结果也可能略有差异。这些差异是否重要,取决于计算的敏感性和所要求的精度。

混合精度方法在同一算法中使用不同的数值格式。计算开销较大的部分可以采用较低精度,而残差计算或校正步骤则采用较高精度。求解线性方程组的迭代改进法就是一个重要例子。这类方法可以利用某些硬件在低精度运算上速度特别快的优势,但能否奏效取决于问题的数值条件和算法设计。低精度并非在所有情况下都能安全替代双精度,尤其是在涉及较大动态范围或对消效应敏感的计算中。

验证关注软件是否正确实现了预期的数学模型;确认则关注该模型是否足以满足预定用途,恰当地表征所研究的现象。测试可以包括与已知解析解的对照、守恒定律检验、收敛性研究、与独立开发的程序的比较,以及与实验观测结果的对照。不确定性量化研究输入和模型假设中的不确定性如何传播到输出结果中。这些工作可能消耗大量计算资源,因为它们需要反复计算,而不只是进行一次规模极大的运行。

随着组件数量增加、运行时间延长,对硬件可靠性的要求也越来越高。长时间运行的作业可能遭遇节点故障、网络中断、存储问题或数值损坏。纠错内存和硬件监控可以应对部分故障,而检查点与重启机制则允许应用程序从已保存的状态恢复运行。保存检查点会消耗时间和存储带宽,因此必须在这类开销与预计因故障而损失的计算工作量之间权衡,确定保存频率。有些算法能够容忍部分计算结果缺失,或通过数学一致性检查发现错误;另一些算法则要求将受影响的并行作业整体重新启动。因此,可复现性既涉及数值行为,也涉及软件版本、配置、输入和执行记录的保存。

供电、冷却与物理基础设施

大型超级计算机既是计算设备,也是一套工业设施。它需要配电、冷却、地板承重、线缆布设、消防以及维护通道等方面的配套支持。当今领先系统的电力需求可达数十兆瓦。这些电力并非全部用于算术运算:内存、通信网络、存储、电力转换和冷却也会消耗电力。因此,系统设计必须考虑单位能耗所完成的有效计算工作,而不只是处理器的最高速度。

功耗制约着处理器设计。提高时钟频率通常需要更多电力,也会增加散热难度,尤其是在还需要提高电压的情况下。这推动了处理器向多核架构和加速器发展,使其能够以适中的频率并行执行更多运算。不过,并行也有代价:增加核心意味着需要更多的数据移动、同步和内存访问。能效在很大程度上取决于能否让数据尽可能靠近使用它的算术运算单元。

在高密度部署中,液冷十分常见,因为在设施的实际条件限制下,液体能够比空气更有效地传递热量。相关设计包括贴装在处理器和内存上的冷板、机柜级换热器,以及浸没式冷却系统。直接液冷可以减少对大风量气流的需求;而在环境条件适宜时,温度足够高的冷却液还可以减少散热所需的机械制冷。冷却方案的选择取决于当地气候、水资源供应、设备兼容性,以及硬件能够承受的温度。

Green500 排名依据特定基准测试中的每瓦性能对系统进行比较。它凸显了能效的重要性,但并不能提供完整的环境影响评估。基准测试中的功耗测量、设施总能耗、全年利用率、硬件制造以及电力供应,反映的是环境影响的不同方面。电能使用效率(PUE)用于比较设施总能耗与信息技术设备能耗,但这一指标表现良好,并不意味着计算本身高效或具有科学价值。

运行方式同样会影响能耗。如果工作负载主要受限于内存或通信,处理器在较低频率下也可能提供几乎相同的应用性能。调度策略可以减少空闲时间,性能剖析则可以找出那些耗电量很大、计算进展却很小的应用。余热有时可以用于区域供暖或附近建筑的供暖,但其实际价值取决于温度和当地需求。因此,物理基础设施决定的不只是超级计算机在短时基准测试中能够达到的水平,更是它在多年运行中能够持续维持的能力。

使用权限、运营机构与经济组织方式

超级计算机通常由国家实验室、大学、气象机构、科研联合体和工业企业运营。其费用远不止购买处理器:建筑、电力基础设施、网络、存储、软件支持和专业人员都是主要成本构成。其科学价值还取决于能否有效利用系统的应用开发人员和领域研究人员。一台理论性能很高、但软件或支持不足的机器,实际完成的有效工作可能还不如规模较小、集成完善的系统。

共享设施通常以项目为单位分配使用权限,而非允许不受限制的交互式使用。研究人员可能需要提交申请,说明科学问题、所需资源、软件就绪程度及预期成果。资源配额可按节点小时、加速器小时或其他计量单位核算。大规模正式运行之前,通常会先进行小规模开发和扩展性测试。国家级设施可能会将部分计算能力预留给战略计划、产业合作、紧急预报或其他指定用途。

批处理调度器负责协调相互竞争的资源请求。用户指定节点数量、内存和最长运行时间等需求,调度器则根据既定策略和资源可用情况选择运行的作业。回填调度允许较小的作业利用原本闲置的资源空档运行,同时不延误重要的资源预约。这能提高利用率,但并不保证每位用户都能立即开始运行。超大规模作业尤其难以调度,因为它们需要大量资源同时可用。

商业云计算提供了获取高性能计算资源的另一条途径。它可以提供快速访问、临时扩容和托管软件环境。不过,紧耦合应用可能需要专用互连网络,以及经过精心选择的实例配置。数据传输费、存储成本、软件许可费用和持续使用率,都会影响云计算与自有机器之间的经济性比较。因此,云基础设施和专用超级计算机是两种可供选择的组织模式,哪一种更合适取决于工作负载和运行条件。

安全与数据治理是设施运营不可或缺的组成部分。有些系统处理专有工程设计、受管制的研究数据或国家安全信息,另一些则主要服务于开放科学。身份验证、访问控制、网络分区、软件维护和事件响应,必须兼顾性能要求与科研协作需求。开放设施可能鼓励公开软件和数据集,但这并不意味着可以不受限制地访问账户或基础设施。由此形成的机构运作体系,将稀缺资源分配、长期工程建设与维护、科学评估,以及贯穿设施整个生命周期的数据管理责任结合在一起。