哪種函數式語言更適合多核的並行和並發編程？
當然是Haskell了。簡要地列舉一下：
======基礎篇======
1. GHC的threaded runtime原生支持多個OS線程運行Haskell程序。沒有GIL（Global Interpreter Lock），保證了並行Haskell程序能真正利用多核。
2. GHC runtime提供輕量級線程的支持，通過OS線程池運行Haskell線程。另外，Haskell線程中調用的所有同步I/O操作都通過runtime的I/O manager透明地轉成非同步I/O操作，底層使用epoll/kqueue實現。因此並發Haskell程序可以開發效率/運行效率兼得（隨意開多線程、隨意使用偽同步I/O，避免callback hell等非同步程序的陷阱）
3. GHC runtime內建STM機制，通過stm: Software Transactional Memory提供STM介面。寫需要維護共享狀態的多線程Haskell程序時，使用STM可以顯著簡化實現，同時避免deadlock等lock-based多線程程序的常見困擾。
4. GHC runtime提供了sparks機制，sparks可以理解為比Haskell線程更加輕量級的微線程，不涉及I/O，只處理純運算。sparks機制下，通過Control.Parallel提供par組合子，適合實現細粒度的並行計算。
======應用篇======
1. 輕量級線程
Control.Concurrent - 創建輕量級線程的介面。
Control.Concurrent.MVar - MVar，線程間共享變數。MVar a相當於裝有a類型元素的箱子，可以put和get，其中對空箱子get和滿箱子put都會阻塞。MVar是最基礎的並發數據結構，基於MVar，很容易開發出Mutex、Semaphore、Channel等常見的並發設施。從介面不難看出，MVar也有deadlock的風險。
stm: Software Transactional Memory - STM介面。這裡提供TVar a，作為使用STM的線程之間的共享變數，但是Haskell通過類型系統提供了安全保證，一次STM事務允許的操作只有讀寫TVar，禁止執行任意IO操作。一般而言，提倡使用STM實現並發程序，以簡化實現、避免死鎖。
Control.Concurrent.Async - 封裝了線程的Future庫，將任意IO action轉成非同步操作。另外還有Concurrently這個簡化版的「There is no fork」並發模型，官網的常式如下：
(page1, page2, page3)
&<- runConcurrently $ (,,) &<$&> Concurrently (getURL "url1")
&<*&> Concurrently (getURL "url2")
&<*&> Concurrently (getURL "url3")
這裡的getURL類型是String -&> IO Page，是一個同步的IO介面，通過Concurrently的Applicative instance，無需手動創建Thread/Async或者管理callback，即可完成同步轉非同步和收集多個非同步操作結果。
2. 數據流並行
parallel: Parallel programming library - par組合子，以及基於其提供的Eval monad。這裡的Eval monad通過rpar和rseq來啟動並行計算和收集結果，但是暴露給程序員的，只不過是一個strict identity monad，看不見創建線程的過程。而傳遞需要並行求值的表達式，也無需手動包裝成一個thunk，直接利用Haskell的lazy-by-default屬性，把計算耗時的表達式傳給rpar和rseq就可以了。
monad-par: A library for parallel programming based on a monad - 另一個用於純的並行計算的Par monad。Par monad類似於前面的輕量級線程，提供了IVar這種一次性變數傳遞計算結果；可以spawn出計算，通過IVar傳回結果，最後通過runPar啟動整個並行計算pipeline，獲得最終結果。一個很贊的地方在於，寫Par monad程序，可以寫成「先從IVar拿結果，再把需要的值放進IVar」這種因果顛倒的模式，調度器可以從IVar的依賴關係按照正確的拓撲序進行計算。
3. 數組並行
repa :: Stackage Server - 支持並行計算的數組庫，底層通過線程池進行計算，支持調用任意Haskell函數。
accelerate :: Stackage Server - 支持異構計算的DSL，需要按照一套受限的語言定義計算，然後可以在多個後端上執行計算，包括CUDA等。======缺點======
GHC runtime與語言特性的配合，使得Haskell在單機共享內存這一情形下開發和運行效率均令人滿意。然而構建分散式系統時，仍然缺乏跨機器的、透明的actor實現，需要手動管理不同runtime間的消息傳遞；另外，Haskell與現有的big data生態圈互動較少。（有個叫Frege的JVM上的Haskell方言，可以沾沾JVM的光，沒用過不評價）另外，即使在單機這一前提下，Haskell的科學計算輪子太少。用函數式語言構建並行/並發系統，建議重應用、輕語言，優先利用已有輪子。
======後記======
首推Simon Marlow的Parallel and Concurrent Programming in Haskell一書，深入淺出，不容錯過。
文獻方面，近的有Facebook在ICFP14上發的There is no fork，裡面的Haxl庫除了用Applicative functor抽象非同步計算以外，還有自動緩存等機制，限於篇幅不展開了。遠的可以翻翻ReadingList，看其中講concurrent runtime和stm的幾篇文章。不過，Data Parallel Haskell現在完全處於棄坑狀態，實在是可惜，畢竟nested data parallelism是比repa這種flat data parallelism更強、更好用的並行模型。
超算都是使用 F90/C++ 配合 MPI 和/或 OpenMP。你的問題涉及到異構計算，呃，還是 intel 那個（你買了天河 2 的配額么），haskell 之類對異構計算支持很差，能用的也就 C++ 了吧……
如果你只是需要並發計算的話可以嘗試Haskell，僅需一個par函數。或者F#，僅需在普通語句外面加一個async{}。高性能計算中，多核並行編程正統選擇：
C++/Fortran + OpenMP C++/Fortran + MPIC++/Fortran + MPI + OpenMP 其次：Matlab的Parallel Computing ToolboxMatlab Parallel Computing Toolbox配合C++（Matlab主要負責調度）
普通的科學計算（對性能沒「極致」要求），Python（用Multiprocessing）、Julia、Haskell等等隨便玩玩。
非要用函數式語言的話，Mathematics、Haskell可以試試。
而並發編程的概念更廣，可選的語言、模型、框架很多，除了上面的，Erlang、Scala Akka、Ocaml Async，Clojure atom/ref/agent。。同意 @姚培森 如果你是專業搞並行，不是學著玩玩的話，Fortran/C/C++加上MPI/openmp，才是正統的選擇。cuda/opencl也可以加進去。至於專門的函數式語言，只能說目前市場有限。我認識的人裡面，我不知道他們中任何一個人在用這類東西。
為什麼要選一個「正統」的選擇呢？現成的庫多，優化方案成熟，文檔充足。這些也是fortran從f77，f90一直到現在，甚至在f90之前連動態內存分配都不支持的情況下，一直統治高性能計算的原因。
只聽過Erlang擅長這個，但沒學過函數式語言裡面最適合併發和並行的是erlang和haskell
haskell在並行和並發上都非常優秀。在並行上至少有3種模式（ghc官方支持，非ghc團隊的就更多了），還能使用gpu；在並發上有輕量級actor，軟體事務內存，分散式編程庫（山寨erlang的otp）
erlang非常適合併發，但它的核心目標並不是並發，而是高可用性和軟實時，其actor模型是為高可用性服務的。erlang沒有專門的並行計算模型，是用並發來實現並行
其他函數式語言比如racket也有並發和並行功能，但是功能性上遠遠不如haskell和erlang
真正的高性能計算目前只能說是一個歷史遺留情況下的妥協的情況。你要知道花在各個演算法上的人力物力都是要錢的，這些東西明明跑得好好的，突然說要換一個語言，換一個並行模型來弄，那之前花的錢怎麼辦，之前那些人怎麼繼續吃飯啊。這些都是現實問題，其他什麼牛，什麼優雅，都推到後面去……真心這樣。
至於建議嘛，我推薦 @姚培森 的答案~
http://www.erlang.org
不考慮GPU嗎？
單台電腦屬於共享內存模式，不知道你的業務需求如何，試試openmp和c++配合使用吧
fortran coarray 可以參考
Julia 大法好好好！速度快，解釋性，原生搞並行。MIT計算化學組位科學計算量身打造
推薦閱讀：
※coursera上有沒有關於分散式系統，並行計算，linux內核，多線程編程的課程？
※人腦的並行計算能力有多強？
※並行計算在 Quant 中是如何應用的？