梅宏， 杜小勇， 金海， 等， 2023. 大数据技术前瞻 ［J］. 大数据， 9（1）：1-20.

AGRAWAL， A， LEDIA N， PANWAR A， et al， 2024. Taming throughput-latency tradeoff in LLM inference with Sarathi-Serve［C］//18th USENIX Symposium on Operating Systems Design and Implementation. Santa Clara， CA，USA： 117-134.

CHEN C， YE W， ZUO Y， et al， 2019. Graph networks as a universal machine learning framework for molecules and crystals［J］. Chem Mater， 31（9）： 3564-3572.

CHEN P， CHEN J， YAN H， et al， 2022. Improving material property prediction by leveraging the large-scale computational database and deep learning［J］. J Phys Chem C， 126（38）： 16297-16305.

CURTAROLO S， SETYAWAN W， WANG S， et al， 2012. AFLOWLIB.ORG： A distributed materials properties repository from high-throughput ab initio calculations［J］. Comput Mater Sci， 58： 227-235.

DU J， WEI J， JIANG J， et al， 2024. Liger： interleaving intra- and inter-operator parallelism for distributed large model inference［C］//Proceedings of the 29th ACM SIGPLAN Annual Symposium on Principles and Practice of Parallel Programming. Edinburgh United Kingdom，ACM： 42-54.

HEYD J， SCUSERIA G E， ERNZERHOF M， 2003. Hybrid functionals based on a screened Coulomb potential［J］. J Chem Phys， 118（18）： 8207-8215.

HUANG， Y， CHENG Y， BAPNA A， et al，2019. Gpipe： Efficient training of giant neural networks using pipeline parallelism［C］//Proceedings of the 33rd International Conference on Neural Information Processing Systems. NY， USA ：103-112.

JAIN A， ONG S P， HAUTIER G， et al， 2013. Commentary： The Materials Project： A materials genome approach to accelerating materials innovation［J］. APL Mater， 1（1）： 011002.

KIRKLIN S， SAAL J E， MEREDIG B， et al， 2015. The Open Quantum Materials Database （OQMD）： Assessing the accuracy of DFT formation energies［J］. NPJ Comput Mater， 1： 15010.

MEI S， GUAN H， WANG Q， 2018. An overview on the convergence of high performance computing and big data processing［C］//2018 IEEE 24th International Conference on Parallel and Distributed Systems （ICPADS）. Singapore， IEEE： 1046-1051.

SEO S， AMER A， BALAJI P， et al， 2018. Argobots： A lightweight low-level threading and tasking framework［J］. IEEE Trans Parallel Distrib Syst， 29（3）： 512-526.

SHOEYBI M， PATWARY M， PURI R， et al， 2019. Megatron-LM： Training multi-billion parameter language models using model parallelism［EB/OL］.arXiv： 1909.08053. http：//arxiv.org/abs/1909.08053http://arxiv.org/abs/1909.08053.

WANG J， FANG J， LI A， et al， 2024. PipeFusion： Displaced patch pipeline parallelism for inference of diffusion transformer models［EB/OL］. arXiv： 2405.14430. http：//arxiv.org/abs/2405.14430http://arxiv.org/abs/2405.14430.

XIE T， GROSSMAN J C， 2018. Crystal graph convolutional neural networks for an accurate and interpretable prediction of material properties［J］. Phys Rev Lett， 120（14）： 145301.

YIN F， SHI F， 2022. A comparative survey of big data computing and HPC： From a parallel programming model to a cluster architecture［J］. Int J Parallel Program， 50（1）： 27-64.

ZHENG H， SONG A， LIU Z， et al，2014. Research of multicore-based parallel gabp algorithm with dynamic load-balance［J］. Int J Numer Anal Mod B，5（1）： 123-135.