通信世界网消息（CWW）火箭回收已经成为商业航天竞赛的核心赛道，但很少有人知道，能否平安回收复用火箭，胜负可能藏在计算机的仿真网格之中。
火箭发射现场，2700℃，数十股超声速火焰从火箭底部喷口奔涌而出，火焰彼此冲撞、反弹、卷回，在箭体底部制造出随机游走的高温高压热点。哪里会被烧蚀、哪里会爆发剧烈振动，直接决定重型可复用火箭回收任务的生死。
更棘手的是，这股致命的尾焰干扰，实物试验很难测全、很难复现，还烧不起天价试验成本。想要摸清楚它的全部规律，传统试验手段几乎走到能力边界。
当物理试验触碰到天花板，高性能仿真就成了破局钥匙。
西安交大团队联合中科曙光，在曙光8000全国产十万卡AI超集群之上，把这场危险的尾焰碰撞搬进计算机。动用数万张国产芯片，完成6.774万亿网格的超大规模仿真，复现33喷口超声速射流的完整演化过程，拿下国际已知同类型仿真的最大规模纪录。
多喷口极端高温超声速射流的瞬时流场结构
不同于以往把海外代码简单迁移到国产硬件，这次是从底层算法开始，为国产硬件量身打造求解方案，为国内商业航天补上一块关键的数字拼图。
33个喷口背后的工程困局，需要算法、算力、软件
想象33支高压水枪同时朝同一方向喷射，水流之间互相挤压、撞击、回流，最终形成一套高度复杂、时刻变化的流体结构。放到火箭场景中，就是数十台发动机向下喷射接近2700℃的超声速尾焰，激波、膨胀波、剪切层不断反射、合并，演化出跨尺度的复杂流场。
西安交通大学 航天航空学院教授、博导，陕西省先进飞行器服役环境与控制重点实验室副主任姬兴解释，这一问题被海外航天界定义为任务关键性工程问题，直接决定重型可复用火箭起飞、回收反推阶段的成败。
但想要摸透这套流场的全部规律，实物试验却陷入“测不全、抓不住、做不起”的三重困境。
首先是测不全。地面试验只能在箭体表面布设有限数量传感器，相当于用少量温度计去评估整片火场。多股射流撞击产生的高温高压热点位置随机，依靠有限布点很难捕捉到风险区域。
其次是抓不住。真正威胁火箭结构的，不只是平均压力，而是高频次的脉动压力，它是引发结构振动、疲劳损伤的源头。想要捕捉这类信号，需要大量高频同步测点，而高温强激波环境下，传感器本身又会反过来扰动流场，光学观测手段也会受到极大限制。
最后是做不起、做不真。缩比地面试验很难同时复刻真实火箭尺寸、喷口间距、高空环境压力、马赫数等全部条件，往往只能复现部分工况；而全状态多发动机并联点火，单次试验成本高昂、周期漫长，还伴随安全风险，不可能穷举不同喷口排布方案开展对比试验。
“试验可以告诉我们局部点位有多热，却很难解释为什么这里温度最高，更换喷口布局风险会不会进一步放大。”西安交大博士生张红表示，数值仿真的定位不是替代试验，而是补齐试验拿不到的信息。仿真可以把整个流场空间“点亮”，输出任意位置、任意时刻的三维数据，还可以快速迭代不同设计方案。
但想要实现这样的仿真，代价是极高的计算门槛。火箭回收反推阶段的仿真，既要覆盖几十米的大尺度流场范围，又要分辨毫米级的激波、涡系细节，同时还要完成海量时间步迭代，常态化工程应用就需要百亿网格级别算力，关键工况则要迈向万亿网格、万卡级别的并行计算能力。
过去国内并非没有通用计算流体力学（CFD）软件，但面对万亿网格规模、极端流动场景，现有工具很难扛住压力；同时与之匹配的大规模国产算力底座也存在缺口。这个项目并不是从论文衍生出来，而是被真实工程需求倒逼出来的，算法、软件、算力三样短板需要同步补齐。
拒绝简单“堆卡”，算法为国产硬件重新量身定做
大规模仿真遇到瓶颈，直接堆叠计算芯片就可以解决。但本次项目的实践给出相反答案，单纯增加硬件数量不等于释放有效算力，当算力增长速度远超显存带宽提升速度，硬件的固有架构矛盾会被无限放大。
张红打了一个通俗比方，把单张国产芯片比作一间厨房，计算单元如同厨师，算力越来越强，但是从冷库（显存）搬运食材的通道（带宽）没有同步拓宽。传统高阶CFD广泛使用的多层龙格‑库塔（Runge‑Kutta）时间推进算法，每完成一个时间步，需要反复多次读写全局数据，厨师大部分时间不是在做菜，而是等待食材搬运。当并行规模扩大至数万张芯片，每张芯片分得的计算区域缩小，但卡与卡之间边界数据交换的通信开销却不会同步下降，通信会成为整个系统的性能枷锁。
“最大的难点不是把代码‘移植’过去，而是国产加速卡‘算力长得比带宽快’这个脾气，跟高阶CFD算法‘爱跑腿’的老习惯不合——卡越堆越多，这个矛盾只会更尖锐。我们的破法不是给老算法打补丁，而是换一套底层基础算法。”张红介绍。
团队选择华人学者徐昆教授发展的气体动理学格式GKS作为核心基础。传统CFD从宏观流体方程出发求解，而GKS从微观玻尔兹曼方程入手描述气体分子碰撞输运，面对超高速强激波场景天然具备高精度、高鲁棒性。过去这套算法在CPU时代被诟病计算量大，但是放到国产芯片上，短板反而转化成优势：国产芯片浮点算力充沛，真正稀缺的恰恰是显存带宽，算法与硬件形成奇妙的互补匹配。
在此之上，团队落地三重工程优化：算子融合实现“少算多存”，一个线程内完成整套计算流程，中间通量数组不在显存落地；采用SoA内存布局保障访存连续性；将计算区域切分为内部区和近边界区，实现计算与边界通信时间重叠，把通信等待时间隐藏起来。整套求解框架采用MPI+HIP开发，不依赖特殊的GPU‑aware MPI能力，可以直接在国产软件栈完成部署，彻底摆脱对海外CUDA生态的依赖。
最终测试拿到一组亮眼指标：在数万张国产芯片、6.774万亿网格规模之下，实现99.01%弱扩展效率、73.00%强扩展效率，网格更新吞吐率34.029 TCUPS。姬兴评价，这不是一次简单的代码翻译，而是一套为国产硬件特征精挑细选的全链路自主算法方案。
万卡级集群，稳定性优先于纸面参数
再好的算法，也需要强大的硬件底座承接。项目能够实现近10万张芯片的并行运行，曙光8000基于异构计算的整机能力是重要前提。
姬兴对集群的大规模芯片集成能力印象深刻。浸没式全液冷散热方案可以在紧凑空间内支撑数万张芯片同时稳定工作，这也是实现接近理想弱扩展效率的重要基础。同时DTK+HIP完整软件栈、国产MPI环境，让复杂CFD应用无需依赖海外生态就可以完成部署运行。
中科曙光研发工程师梁超表示，数万张芯片协同计算，核心挑战已经不再是单节点的计算速度，而是如何把成千上万独立的硬件单元，捏合成一套协同工作的完整系统。从2.2万张芯片拓展到更多芯片，三道难关横亘在前：大规模高效协同、长时间运行稳定性、全链路性能定位分析。
数万芯片规模下，任何一张芯片、一个节点出现微小异常，都有可能传导至整个任务，导致计算失败。曙光没有等到大规模测试阶段再处理故障，而是采用逐级扩展验证策略，从小规模起步，逐步迭代，在每一个阶段校验计算正确性、通信效率、资源利用情况，提前暴露规模放大之后才会显现的隐性问题。
航天类CFD仿真和AI大模型训练，对集群的诉求存在明显差异。AI训练侧重大吞吐量；而CFD每一个时间步都要高频进行邻域数据交换，对通信时延、大规模MPI通信稳定性极度敏感；仿真会产出海量检查点、时序结果文件，存储系统要扛住高并发读写压力；任务还会一次性抢占巨量资源、连续长时间运行，调度系统、故障恢复机制面临严苛考验。
针对这类特殊需求，平台搭建全链路可观测体系，覆盖计算、网络、存储、机房动环多维度指标采集；建设智能故障诊断能力，快速定位大规模系统内异常根因；引入异步分片Checkpoint容错恢复机制，故障发生时隔离问题节点，减少整体任务作废风险；同时针对作业调度、进程绑定、网络拓扑做系统性调优，规避局部资源成为系统瓶颈，保障超大规模任务稳定运行。
梁超提到，国产软件栈相比海外成熟生态，真实超大规模长时间场景的验证案例相对偏少，很多小规模运行不会暴露的问题，会在数万卡规模被放大，这也需要依托真实重大应用持续打磨编译器、运行时库、通信组件，推动国产软件栈持续迭代成长。
从“研、算”走向“智、用”，产学研如何补齐生态短板
本次万亿网格仿真跑完，只是项目的阶段性里程碑，而不是终点。姬兴将整个项目划分为研、算、智、用四个阶段：“研”代表底层根算法技术攻关；“算”代表在国产算力底座上跑通、跑稳超大规模任务；本次曙光8000上的成果，标志前两个阶段取得标志性收尾；接下来重点落在“智”与“用”之上。
“智”，是基于本次产出的珍贵高精度三维瞬态数据集，训练AI代理模型，把动辄耗费巨大算力的仿真任务，转化成秒级输出结果的工程工具；“用”，是把这套仿真底座落地到航天型号预研，既服务国家队，还要进一步赋能国内商业航天企业的研发工作。
这套自主可控仿真工具能够输出传统试验很难拿到的核心工程数据，包括全场三维瞬态压力分布，定位箭体底部、着陆腿的载荷热点；高频脉动压力频谱，直接供给结构疲劳、振动设计；完整壁面热流分布，支撑防热材料分区设计，甚至给火箭带来直接减重空间；完整的激波相互作用位置和强度，帮助工程师识别风险区域，优化发动机排布方案。
站在产业视角，十万卡级工程仿真要真正落地，科研界、高性能计算中心、航天工程单位三方仍然各有短板需要补齐。
在姬兴看来，航天工程单位正在补齐自有大规模算力，但仍然需要建立通畅渠道，便捷调用外部高性能计算资源；高性能计算中心需要补齐大规模任务非侵入式稳定性保障、安全的数据互通通道，打通和工程单位之间的数据流；而科研界最大挑战，是跳出理想工况，走向复杂真实工程场景。很多硬核工程算法攻关周期漫长、短期很难产出高影响力论文，需要给青年科研人员稳定的资源和预期。
“硬件可以采购，软件可以编写，但能啃硬骨头的人才，需要时间慢慢培养。国产算力生态真正成熟的标志，是有大批年轻人愿意长期扎根这条赛道。”姬兴说道。
高校负责核心算法软件研发，算力平台方提供基础设施、系统软件与技术服务，这套协同模式正在AI4S（人工智能驱动科学计算）领域走出国产路径。曙光对于国产异构AI超集群的定位，已经不只是单纯的算力供给者，而是向着自主算力底座、软件生态平台、重大科研工程支撑平台转型。
商业航天的竞争，表面看是火箭、发动机硬件的比拼，底层也是仿真、算力、算法一套数字底座能力的较量。这一次33喷口射流仿真实践证明：当国产硬件与国产算法深度协同，我们有能力在重大工程仿真领域拿到国际第一梯队的入场券。而真正的考验，是如何把单次的技术突破，沉淀成行业可以反复使用、持续迭代的工业能力。