Российский проект RakeSearch имеет неприятную особенность – после перезагрузки задачи начинают считаться заново. Когда задачи считаются в 30+ потоков и среди них есть задачи длительностью до часа, то это приводит к потере до получаса рабочего времени мощного компа.
На скринах пример списка задач до и после перезагрузки.
В общей картине эти потери, конечно, незначительны.
А вот ведущему проекта Эдуарду Ватутину спасибо за регулярные посты о ходе проекта и публикациию результатов в энциклопедии OEIS. Имхо достойно того, чтобы 100% времени наших CPU выделять на RakeSearch.
Вот бы ещё на Apple Silicon и на Linux появились задачи от проекта!
Подписывайтесь на Эдуарда: https://vk.com/id162891802
Выпуск подкаста о проекте
#rakesearch
#silicon
На скринах пример списка задач до и после перезагрузки.
В общей картине эти потери, конечно, незначительны.
А вот ведущему проекта Эдуарду Ватутину спасибо за регулярные посты о ходе проекта и публикациию результатов в энциклопедии OEIS. Имхо достойно того, чтобы 100% времени наших CPU выделять на RakeSearch.
Вот бы ещё на Apple Silicon и на Linux появились задачи от проекта!
Подписывайтесь на Эдуарда: https://vk.com/id162891802
Выпуск подкаста о проекте
#rakesearch
#silicon
🔥3❤2👍2💯1
19 февраля проект Einstein@home отметил 20 лет от своего рождения.
Мой с близкими вклад в этот проект сейчас это в среднем 3,7 миллиона cubblestones ежедневно.
Работают три RTX 4090, Apple Studio Ultra M1, M4 mini. Macbook M4 pro и ещё несколько серверов, компьютеров и ноутбуков по мелочи.
Проект ищет пульсары в данных LIGO (тот самый, который открыл гравитациоионные волны), космического гамма-телескопа Ферми, радиотелескопов MeerKAT и Arecibo.
#einstein
I want to congratulate all of our Einstein@Home volunteers, developers, and scientists: our project is 20 years old today. We officially launched Einstein@Home on February 19th 2005, exactly 20 years ago, at the annual meeting of the American Association for the Advancement of Science (AAAS) in Washington DC.
Since that time, almost half a million people have contributed computing power to Einstein@Home. Einstein@Home carries out the most sensitive searches for continuous gravitational waves, and continues to set the tightest and most stringent limits on this yet-to-be-discovered population. We have discovered more than 90 new radio and gamma ray pulsars, including a number of extreme and exotic examples. The project has resulted in 38 peer-reviewed publications in scientific journals, and has also played a role in a dozen PhD theses.
A big thank you to everyone involved!
Bruce Allen
Director, Einstein@Home
Мой с близкими вклад в этот проект сейчас это в среднем 3,7 миллиона cubblestones ежедневно.
Работают три RTX 4090, Apple Studio Ultra M1, M4 mini. Macbook M4 pro и ещё несколько серверов, компьютеров и ноутбуков по мелочи.
Проект ищет пульсары в данных LIGO (тот самый, который открыл гравитациоионные волны), космического гамма-телескопа Ферми, радиотелескопов MeerKAT и Arecibo.
#einstein
🔥6⚡1❤1
Сравниваем
MacStudio на M1 Ultra
и MacBook Pro на M4 Pro
на проекте Einstein@home
У M1 Ultra 20 CPU, но одну таску на 105 000 GFLOPS он далает 2ч15мин на CPU
M4 Pro чип намного более свежий, в ноутбучном исполнении. 12 CPU, но на одну таску уходит по 1ч15мин на CPU
На GPU работает 48 ядер на M1 Ultra против 16 на M4Pro
Но новое поколение решает и более свежий чип делает одной таску на 17 500 GFPOLS за 6 минут вместо 8. Несмотря на ноутбучное исполнение.
#einstein
MacStudio на M1 Ultra
и MacBook Pro на M4 Pro
на проекте Einstein@home
У M1 Ultra 20 CPU, но одну таску на 105 000 GFLOPS он далает 2ч15мин на CPU
M4 Pro чип намного более свежий, в ноутбучном исполнении. 12 CPU, но на одну таску уходит по 1ч15мин на CPU
На GPU работает 48 ядер на M1 Ultra против 16 на M4Pro
Но новое поколение решает и более свежий чип делает одной таску на 17 500 GFPOLS за 6 минут вместо 8. Несмотря на ноутбучное исполнение.
#einstein
👍3🔥2❤1
Да, на ноутбуке тоже можно кранчить.
Если это MacBook Pro на M4, конечно. 😉
На MacBook Air M1 я тоже считаю — там результат хуже всего на 80%, но это спорт для упорных.
👆 И на Pro, и на Air магия Apple позволяет не замечать нагрузку от BOINC при обычной офисной работе.
Теперь к сути — кранчинг на MacBook Pro M4 Pro 12-core за $2000 (24 ГБ RAM, продвинутая система охлаждения):
1. Ограничение вентиляторов: 5000 RPM.
Без ограничения вентиляторы разгоняются до 8000 об/мин и шумят как взлетающий дрон. 5000 об/мин — оптимальный компромисс по шуму и температуре. Использую бесплатную версию Macs Fan Control.
Да, ноутбук троттлит. Нет, в реальной работе это незаметно. Все современные чипы троттлят — это штатный режим.
Да, на маках безопасно крутить вентиляторы 24/7 на таких оборотах — проверено и внимательно перепроверено.
2. Перезапуск BOINC после перезагрузки.
В macOS автозапущенные приложения получают статус «фоновых» и работают в полсилы. Если BOINC не раскручивает вентиляторы — выгружаем и запускаем вручную.
На поиск реальной причины ушла неделя и десяток Deep Research-запросов к GPT.
На скриншотах видно, как GPU-задачи начинают работать на 50% дольше, когда система их ограничивает.
Скидывайте в комментариях, на чём считаете вы.
Статистика на прошке
Статистика на Air
На MacBook Air M1 я тоже считаю — там результат хуже всего на 80%, но это спорт для упорных.
👆 И на Pro, и на Air магия Apple позволяет не замечать нагрузку от BOINC при обычной офисной работе.
Теперь к сути — кранчинг на MacBook Pro M4 Pro 12-core за $2000 (24 ГБ RAM, продвинутая система охлаждения):
1. Ограничение вентиляторов: 5000 RPM.
Без ограничения вентиляторы разгоняются до 8000 об/мин и шумят как взлетающий дрон. 5000 об/мин — оптимальный компромисс по шуму и температуре. Использую бесплатную версию Macs Fan Control.
Да, ноутбук троттлит. Нет, в реальной работе это незаметно. Все современные чипы троттлят — это штатный режим.
Да, на маках безопасно крутить вентиляторы 24/7 на таких оборотах — проверено и внимательно перепроверено.
2. Перезапуск BOINC после перезагрузки.
В macOS автозапущенные приложения получают статус «фоновых» и работают в полсилы. Если BOINC не раскручивает вентиляторы — выгружаем и запускаем вручную.
На поиск реальной причины ушла неделя и десяток Deep Research-запросов к GPT.
На скриншотах видно, как GPU-задачи начинают работать на 50% дольше, когда система их ограничивает.
Скидывайте в комментариях, на чём считаете вы.
Статистика на прошке
Статистика на Air
🔥2
Forwarded from Закиев Василь. (AI)ron manager (Vasil Zakiev)
Codex это Агент-0?
В пятницу OpenAI опубликовали инструмент Codex — облачного агента-программиста, который работает с GitHub-репозиториями. Ему можно поставить задачу, например: «Проверь кодовую базу на следование кодстайлу». Он находит ошибки, предлагает исправления, запускает тесты и сам создаёт pull request.
Плюсы: всё работает быстро, в облаке, можно запускать десятки задач параллельно.
Минусы: Работает только с Github. У агента есть интернет только на этапе настройки окружения — потом его отбирают, поэтому он не может полноценно тестировать всё подряд. Не работает с картинками, значит пока мало полезен для задач по фронтенду.
Я попробовал на практике: добавил небольшое изменение в BOINC — большой open source проект. Вот PR: https://github.com/BOINC/boinc/pull/6329
Интересно, что первичную проверку кода тоже провёл ИИ — GitHub Copilot.
Не скажу, что теперь любой может быть программистом, но окно возможностей точно стало шире. А требования к разработчикам становятся однозначно выше.
Сейчас попробую переписать весь код одного проекта с Node на Python. Если хотите, чтобы я что-то посмотрел на вашем проекте – напишите в комментариях ссылку на репозиторий и дайте доступ на wargoblin.
В пятницу OpenAI опубликовали инструмент Codex — облачного агента-программиста, который работает с GitHub-репозиториями. Ему можно поставить задачу, например: «Проверь кодовую базу на следование кодстайлу». Он находит ошибки, предлагает исправления, запускает тесты и сам создаёт pull request.
Плюсы: всё работает быстро, в облаке, можно запускать десятки задач параллельно.
Минусы: Работает только с Github. У агента есть интернет только на этапе настройки окружения — потом его отбирают, поэтому он не может полноценно тестировать всё подряд. Не работает с картинками, значит пока мало полезен для задач по фронтенду.
Я попробовал на практике: добавил небольшое изменение в BOINC — большой open source проект. Вот PR: https://github.com/BOINC/boinc/pull/6329
Интересно, что первичную проверку кода тоже провёл ИИ — GitHub Copilot.
Не скажу, что теперь любой может быть программистом, но окно возможностей точно стало шире. А требования к разработчикам становятся однозначно выше.
Сейчас попробую переписать весь код одного проекта с Node на Python. Если хотите, чтобы я что-то посмотрел на вашем проекте – напишите в комментариях ссылку на репозиторий и дайте доступ на wargoblin.
🔥2
Channel name was changed to «Гридка. Канал о распределенных вычислениях и BOINC»
Добровольческие распределённые вычисления – это проекты, в которых тысячи людей по всему миру жертвуют ресурсы своих персональных компьютеров для научных расчетов. К крупнейшим таким проектам относятся платформа BOINC (объединяющая множество исследований) и проект Folding@home (биомедицинические расчёты по белкам). Совокупная активная вычислительная мощность этих сетей весьма значительна, хотя и меняется со временем в зависимости от числа добровольцев.
❤2👍2🔥2🙏1
Гридка. Канал о распределенных вычислениях и BOINC pinned «Добровольческие распределённые вычисления – это проекты, в которых тысячи людей по всему миру жертвуют ресурсы своих персональных компьютеров для научных расчетов. К крупнейшим таким проектам относятся платформа BOINC (объединяющая множество исследований)…»
Оценка совокупной «мощности» проектов распределенных вычислений и их потенциального места в мировом топе суперкомпьютеров.
Добровольческие сети BOINC и Folding@home сейчас дают суммарно порядка 45–50 PFLOPS активной мощности — это эквивалент полноценного петафлопсного суперкомпьютера, работающего круглосуточно за счёт ресурсов тысяч обычных пользователей по всему миру.
Если такой «народный» кластер поставить в рейтинг TOP500, он оказался бы примерно на 25-м–30-м месте — выше большинства национальных машин, но далеко позади современных экзафлопсных лидеров вроде El Capitan или Frontier.
Добровольческие сети BOINC и Folding@home сейчас дают суммарно порядка 45–50 PFLOPS активной мощности — это эквивалент полноценного петафлопсного суперкомпьютера, работающего круглосуточно за счёт ресурсов тысяч обычных пользователей по всему миру.
Если такой «народный» кластер поставить в рейтинг TOP500, он оказался бы примерно на 25-м–30-м месте — выше большинства национальных машин, но далеко позади современных экзафлопсных лидеров вроде El Capitan или Frontier.
🔥7👍1
Позиция_добровольческих_вычислительных_сетей_в_рейтинге_суперкомпьютеров.pdf
38.2 KB
Более полный отчёт со ссылками
В октябре 2020 года в The Astrophysical Journal вышла статья "Discovery of a Gamma-Ray Black Widow Pulsar by GPU-accelerated Einstein@Home" посвящённая ещё одному очень интересному открытию, сделанному участниками проекта Einstein@Home - обнаружение миллисекундного гамма-пульсара с массой не менее 2M☉ (двух масс Солнца) и очень лёгким компаньоном массой всего ~0.01M☉, являющегося, однако, весьма плотным (не менее 64 г/см^3!). Причём компаньон, по видимому, постепенно испаряется пульсаром.
Источник и архив с PDF: https://vk.com/wall-34590225_848
#einstein
Источник и архив с PDF: https://vk.com/wall-34590225_848
#einstein
👍1
GRID'2025_Solving_problems_of_constructing_Latin_square_spectra.pdf
1.2 MB
Математика в тапочках
На конференции GRID’2025 в Дубне представили свежие результаты проекта RakeSearch — добровольной распределённой вычислительной сети, которая решает задачи комбинаторики на обычных домашних ПК. Доклад основателя проекта Эдуарда Ватутина — был про то, как улучшенная балансировка нагрузки помогает быстрее искать латинские квадраты со специфическими свойствами.
Я тоже участвую в этом проекте — и даже вхожу в топ‑3 добровольцев по мощности расчётов.
Что нового удалось посчитать:
– 377 674 диагональных трансверсалей у DLS порядка 14 — рекорд;
– 5995 ортогональных латинских квадратов (ODLS) для порядка 12 — тоже рекорд;
– в активных экспериментах участвуют машины из проекта RakeSearch, суммарно дающие до 12 TFLOP/s вычислительной мощности .
– часть данных получена полным перебором (brute force), часть — эвристиками M1/M2, которые перебирают «соседства» и трансформации.
📌 Для сравнения: 12 TFLOP/s — это примерно как суперкомпьютер SKIF Cyberia (входил в топ‑30 России в 2023 году) или как нижняя треть мирового рейтинга TOP500… в 2005 году. Не бог весть что по сегодняшним меркам, но это смотря с чем сравнивать.
Слайды доклада приложены в PDF.
#RakeSearch
На конференции GRID’2025 в Дубне представили свежие результаты проекта RakeSearch — добровольной распределённой вычислительной сети, которая решает задачи комбинаторики на обычных домашних ПК. Доклад основателя проекта Эдуарда Ватутина — был про то, как улучшенная балансировка нагрузки помогает быстрее искать латинские квадраты со специфическими свойствами.
Я тоже участвую в этом проекте — и даже вхожу в топ‑3 добровольцев по мощности расчётов.
Что нового удалось посчитать:
– 377 674 диагональных трансверсалей у DLS порядка 14 — рекорд;
– 5995 ортогональных латинских квадратов (ODLS) для порядка 12 — тоже рекорд;
– в активных экспериментах участвуют машины из проекта RakeSearch, суммарно дающие до 12 TFLOP/s вычислительной мощности .
– часть данных получена полным перебором (brute force), часть — эвристиками M1/M2, которые перебирают «соседства» и трансформации.
📌 Для сравнения: 12 TFLOP/s — это примерно как суперкомпьютер SKIF Cyberia (входил в топ‑30 России в 2023 году) или как нижняя треть мирового рейтинга TOP500… в 2005 году. Не бог весть что по сегодняшним меркам, но это смотря с чем сравнивать.
Слайды доклада приложены в PDF.
#RakeSearch
👍8
Немного статистики о "мощности" проекта RakeSearch.
Завершение поиска с очень длинными (до 5 дней расчёта!) заданиями, который продлился с конца мая по начало августа, позволило вновь собрать данные по обработанным заданиям и обновить статистику по производительности проекта как за всё его время существования, так и за время экспериментов Эдуарда Ватутина, ставших, по сути, отдельной "инкарнацией" в жизни проекта.
Первые два графика - "мощность" в TFLOPS-ах и среднем количестве вычислительных потоков за сутки за всё время существования проекта. Глядя на первый график надо держать в уме то, что на первом этапе широко использовалось оптимизированное приложение из-за чего оценка за выполненные задания была многократно выше. Именно из-за этого в левой части первого графика наблюдаются такие большие пики.
Графики № 3 и 4 - также усреднённая за сутки мощность в TFLOPS-ах и количестве вычислительных потоков, но уже во время расчётов заданий от Эдуарда. Показатель "Среднее число CPU" был рассчитан образом, несколько отличным от того, что использовался для предыдущих графиков - для некоторых поисков, в силу особенностей взаимодействия приложения и BOINC Wrapper-а, затраченное процессорное время надо учитывать не по показателю CPU time, которое сохраняется неточно, а по показателю Elapsed time, которое его, как раз хорошо отображает. Из-за этого "зелёные графики" выглядят несколько отличными от предыдущих.
Резкое падение показателей в самом конце связано с тем, что за последние 2-3 данные ещё неполны.
Большое спасибо за поддержку всем участникам проекта!
Оригинал: https://vk.com/wall-34590225_853
#RakeSearch
👍3⚡1🔥1