他从来不觉得谁说的话会是绝对准確的，当然也不会要求所有人都无条件相信自己。

只是，他並不觉得付霖说对了。

相比於一台他尚不了解性能底细的机器，他明显更信任自己的脑子。

肖宿在脑海里仔细回溯了一遍整个计算过程，最后，他的视线停在了屏幕上的那张通信拓扑图上。

或许，他已经找到问题的所在了。

他对周伟说：“把谱分解这一步的通信拓扑图调出来。”

周伟点头，低头敲了几个命令，一张节点间通信拓扑图被投到大屏上。

整张图像一团被猫挠过的毛线球，几乎每个节点都在和另外所有节点做数据交换，连线密密麻麻堆叠在一起。

“全对全通信，”肖宿看著那团毛线球，心里確认了自己的判断，“你们的並行分块是按什么分的？”

“按矩阵的行列做二维块划分，標准的scalapack分布策略。”

肖宿摇了摇头。

所以，问题不在於超算架构，而是数据分块方式出现了问题。

商空间降维里的等价类划分有一个被所有人忽略的特性，那就是等价关係本身就带有局部性。

两个样本点在大多数维度上都不需要做全局对比，只有落在同一个局部邻域內的点才需要精確比较。

但是標准的分块方式根本没利用这个特性，把每个节点都当成需要和所有其他节点交换数据来处理，等於白送了一大堆没用的通信开销。

只要按等价类的局部邻域结构做图划分，让通信只发生在图的割边上，数据交换量就能从一个数量级压到另一个数量级了。

肖宿没再多解释什么，他拉过键盘，开始敲起了代码。

先用局部敏感哈希做预分桶，哈希函数用隨机超平面投影，投影方向从数据的主成分方向里隨机採样，保证高概率下近邻点落在同一个桶里。

然后分块策略改用哈希桶的邻接图来做谱图划分，每个子图內的桶分配在同一个节点上，割边数量最小化。

这样需要跨节点通信的就只剩下割边上的边界样本。

周伟看著屏幕上飞速增长的代码，眼睛越瞪越大。

肖宿现在写的这个东西严格来说算不上什么深奥的理论突破，甚至可以说思路出奇的简洁。

可就是这样一个简洁的架构，却让周伟起了一身的鸡皮疙瘩。

局部敏感哈希预分桶、谱图划分、边界通信封装，这三层架构拆开来看，每一块都是现成的算法积木，他们这儿每个人都懂。

可要把它们拼在一起，变成一把专门解决全对全通信瓶颈的手术刀，这种事儿，不是谁都能想到的。

它需要你同时吃透哈希的数学性质、谱图划分的组合优化，还要对超算底层通信逻辑有近乎本能的手感。

大部分人连其中一块都啃不透，更別说三块融在一起，隨手就写出一个能直接上机跑的解决方案。

而肖宿连犹豫都没犹豫一下。

周伟立马就意识到了，这套架构不只能解决商空间降维的通信瓶颈，社交网络的社区发现、分子动力学的近邻列表更新、基因组组装的重叠图构建，任何需要大规模图计算的场景都能直接吃上这个红利。

他几乎可以確定，这套代码一旦跑通，整个中心的通信架构怕是要被重新刷一遍。