科研与教育行业

生物

计算生物学和生物信息学广泛使用高性能计算机来研究生物体系和进化历程，对象包括分子序列、结构、功能和进化。基于计算机的统计与机器学习技术被用于分析来自基因测序、DNA 微阵列芯片、双杂交实验和串联质谱的海量数据。在研究DNA、RNA和蛋白质序列的一级结构（序列）、二级结构（折叠）和三级结构（3 维）时，高效计算很关键。功能型和结构基因组计划获得了大量序列和表达数据（包括植物、动物和微生物），相关的数据存储、检索和分析因此面临挑战。基因组进化和高分子结构和功能研究运用高性能计算，来了解随时间发生的变化的模式和进程，并辨别 DNA 和蛋白质序列的结构和功能含义。

化学

大规模并行计算已应用到许多领域：

• 原子和分子动力学研究。 即使简单的双原子分子，其相互作用和散射也会涉及振动和旋转状态的量子力学，需要用到并行计算机。 对于复杂分子，如蛋白质，大规模的计算就成为一个必不可少的工具。 此类蛋白质研究是了解诸如药类和抗生素等的核心，因此在生物、人类健康、农业和环境科学领域中占据越来越重要的地位。 而在半经验理论的应用中也需要用到计算功能，如气相中分子的电子结构或分子集群的参数确定。
• 液相中的反应研究。 反应中会涉及溶剂，并会受到温度和压力的影响，如 Car-Parrinello 动力学。 该领域中会涉及的其它集约计算型研究还包括有序分子液体体系，如显示装置中应用的液晶。
• 固态与完全有序体系研究。 功能研究与催化剂设计对于工业应用来说非常重要。 在环境科学中，固体表面的污染物约束模拟非常重要。 计算在本质上涉及大量原子，并且需要并行计算。

计算化学大量运用商业软件包，通常有 VASP、AMBER、NAMD、CPMD、CRYSTAL、GAMESS、Jaguar、MOISS、TURBOMOLE、GULP、MPQC、CADPAC、WIEN 和 Gaussian。

物理

物理世界的描述大都基于偏微分方程 (PDE)。 其中许多本质上是非线性的，并且通常超出了现实物理系统的分析能力。 高性能计算的优势允许我们越过微扰和其它类似方案，为所有学科开辟新的物理学研究前沿，从类似时空力学的基础理论研究到类似流体力学的应用领域。 前者包括爱因斯坦方程的解决方法，其中一些在天体物理学中高度理想化的环境不得不求助于大规模并行计算，例如两个黑洞的碰撞。 关于后者，其需要解决 Navier-Stokes 及相关方程，这样它又一次调用了现实环境中包括 3 维空间的数字处理。

可以说物理学中的第二大描述类别是，对于具有随机性、波动性或涉及许多物体的统计学描述。 由于这类系统也可以通过微分方程和/或随机微分方程加以描述，因此首选的处理方法经常是 Monte-Carlo 模拟，它可随时利用高性能计算。 这样，适用范围再次从基础研究，如元素粒子夸克和胶子的格点规范理论，扩展到应用领域，如凝聚态物理学中的能带结构计算。 再者，大规模并行计算机的可用性扩展了研究范围，将计算的准确度带至一个原来不可能到达的水平，并且能在一个更短的时间尺度内得到结果。

地球/环境科学

地球动力学的研究包括解决含时的、非线性偏微分方程。 高性能计算因此是个不可或缺的工具。 地球科学的其它方面也受益于高级计算机的发展，例如通过全球测震仪网络记录的数字地震波形进行地球内部结构研究。 地球的三维影像也需要收集、存储、查询和处理大量数据。像通过地震图判断地震结构这种反向问题的解决也是一个大容量计算的应用。

环境科学中的许多领域包含大量数据，例如遥感数据、场景集成、大气环境、传感器和检测器分析，以及对象数据用于环境遥感超光谱数据的多组件端元分析或主要组件分析。这种工作需要配备大量 RAM 和快速网络连接的大规模并行计算机。