#YAFU

🧮 YAFU@home — распределённые вычислениядля математики. На CPU

YAFU@home — это BOINC-проект, который занимается факторизацией больших чисел и исследованием aliquot-последовательностей.
Звучит академически, но на практике это один из немногих проектов, где CPU-время действительно превращается в проверяемый научный результат.

Что именно делает проект.

1. Факторизация больших чисел
Проект считает разложение чисел на множители, иногда размером в десятки и сотни цифр.
Это не проверка «простое или нет», а полноценное разложение, которое может занимать недели и месяцы CPU-времени.

2. Aliquot-последовательности
Берётся число n.
Считается сумма его собственных делителей.
Процедура повторяется снова и снова, образуя цепочку.

Такие цепочки могут:
– быстро завершаться
– входить в цикл
– расти и требовать огромных вычислительных ресурсов

Когда цепочку удаётся довести до логического конца, это считается полноценным научным результатом.

Почему это вообще кому-то нужно.

1. Алгоритмы факторизации
YAFU используется для тестирования и улучшения реальных алгоритмов факторизации (ECM, NFS и др.).
Это те же алгоритмы, которые лежат в основе оценки криптостойкости и анализа больших чисел.

2. Закрытие «белых пятен» в теории чисел
Многие aliquot-последовательности десятилетиями оставались незавершёнными просто потому, что их никто не мог досчитать.
Распределённые вычисления позволяют закрывать такие случаи не теоретически, а вычислительно.

3. Проверяемость результатов
Это не локальные эксперименты.
Результаты валидируются, сохраняются и используются дальше другими исследователями.

Куда попадают результаты.

– BOINC
Каждая задача проходит проверку, статус «terminated» означает корректное завершение расчёта.
История сохраняется в системе.

– FactorDB
Все найденные множители и статус последовательностей публикуются в открытой базе данных.
Этой базой пользуются математики по всему миру.
Это не витрина, а рабочий инструмент.

Примеры:
https://factordb.com/aliquot.php?aq=3415890&type=1
https://factordb.com/aliquot.php?aq=3552666&type=1

Почему проект актуален сейчас.
– не все задачи ускоряются GPU
– большие числа плохо ложатся на массовый параллелизм
– многоядерные CPU идеально подходят под такие вычисления

YAFU@home — редкий случай, когда:
– старые серверы не простаивают зря
– многопоточность реально даёт эффект
– результат остаётся навсегда, а не пропадает после перезапуска

Проект:
YAFU@home — https://yafu.myfirewall.org/yafu/
Новости BOINC — https://boinc.berkeley.edu/project_news.php

Задачи для тестирования способностей ИИ в математике заканчиваются.

Теперь для тестирования дают реальные научные проблемы и там пока 0% решёных задач – такие бенчмарки мы любим.

Epoch.AI (это своего рода НИИ изучения ИИ;) год за годом увеличивал сложность экзаменов для проверки сопоностей GPT к математике. Бенчмарк FrontierMath дошёл до Tier 4, где модели решают исследовательские математические задачи. Но вместо ожидаемого Tier 5 Epoch выпустил трек Open Problems.

Что это:
— Задачи, которые не решены профессиональными математиками
— Выбраны такие, в которых можно автоматически проверить решение
— Если какая-то модель их решит — это не просто спортивный результат, это реальный вклад в науку

Текущий статус (январь 2026):
— Tier 4: решено 17 из 48 задач
— Open Problems: пока 0 решений

Следующими за математикой будут алгоритмы и информатика, а потом посыпятся и все остальные науки

epoch.ai/frontiermath

#ИИ

Мои базовые настройки
для кранчинга на рабочем компьютере 24/7

Подходят в том числе ноутбуков типа Macbook Pro.

🔕 Отключение при активности – пусть работа идёт только, когда компьютер бездействует.
⚙️ Ограничение загрузки CPU до 80 % – почти не снижает производительность, но резко уменьшает шум и нагрев.

Энергопотребление падает условно на треть, а техника работает на тихих, долгосрочно эффективных режимах.
Никаких сложных скриптов, все делается просто в настройках BOINC клиента.

Если хочется полной тишины, то можно включить на ноутбуке энергоэффективный режим, тогда будут работать только E-ядра, а они даже при полной загрузке не разгоняют вентиляторы. На обычной работе энергоэффективный режим никак не скажется.

#boinc #советы

#домашнаяялаборатория

RTX 4090/5090 + PrimeGrid: стоит обязательно ставить Power Limit

PrimeGrid — редкий BOINC-проект, который реально грузит RTX 4090 на 100%.
Большинство других проектов упираются в память, CPU или I/O и просто не создают полной нагрузки. С PrimeGrid — постоянный максимум (у меня даже оплавился некачественный коннектор провода питания). Это потребление до 450 ватт, излишнее тепло и шум.

При снижении Power Limit на 60-80% от максимума:

– потребление падает на ~100–150 Вт
– температура и шум заметно ниже
– производительность падает минимально
– эффективность (WU/Вт) становится существенно выше

Замеры эффективности RTX 4090 при Power Limit:
https://www.tomshardware.com/news/improving-nvidia-rtx-4090-efficiency-through-power-limiting

В погоне за дополнительными FPS производители видеокарт не видят проблемы в + 50% прироста потребления ради +5% прироста эффективности, а мы видим =D

Как поставить лимит на Linux

nvidia-smi -pl 320

Как установить лимит на Windows

Установить MSI Afterburner
Сдвинуть Power Limit на 70%
Нажать Apply
Cохранить профиль и включить автозапуск

Power Limit не мешает так же сделать undervolting (https://t.me/gridcomputing/105), это может улучшить эффективность ещё больше

Ауфар (@AufarZ) зарелизил лёгкую альтернативу BOINС Manager.

Красивая, работает даже без установки
https://github.com/BOINC/boinc/discussions/6866

Будем рады тестированию, обратной связи, лайкам и аповутам по ссылке выше;)

Просто скачиваешь, выгружаешь BOINC Manager и запускаешь Fresco. Установки нет.

Особенно ценно будет, если попробуете на Linux.

Задачи на Einstein стали очень длинными на днях, разобрался с Сlaude Code почему. Вот разбор 👆

#einstein

#einstein #домашнаяялаборатория

A100 + Einstein@Home: больше задач — ниже throughput

У меня A100-SXM4-80GB считает задачи Einstein O4ASUHF. Дефолт: 4 задачи на GPU, каждая занимает ~1.9 ГБ из 80 ГБ. 90% памяти простаивает.
Очевидная идея — запустить 8 задач на GPU.
Попробовал.

Итог 7-часового бенчмарка:

Throughput упал с 4.2 до 3.6 jobs/h (−14%).
GPU utilization = 100% в обоих случаях — но nvidia-smi показывает «занятость», а не эффективность.

В общем – 4 задачи параллельно на GPU такого класса работают лучше 8. Дальше надо попробовать 3-5-6 и сравнить

BOINC Crunchathon 2026 — регистрация закрывается через 5 дней

LTT-комьюнити запускает командное соревнование по кранчингу: 9–30 марта 2026. Регистрация открыта до 7 марта (12:00 UTC).

Участвовать просто: выбираешь любые BOINC-проекты, кранчишь в период соревнования, получаешь LTT BOINC event badges. Соревнование командное — чем больше хостов в команде, тем лучше итог.

Крупное BOINC-событие от LTT-сообщества с таблицей результатов — хорошая возможность поддержать науку не в одиночку, а в рамках реального марафона.

Обсуждение и правила: https://linustechtips.com/topic/1631930-boinc-crunchathon-2026-march-9th-30th/

Форма регистрации: https://forms.gle/BKumKGNgTY7aukrT9

#boinc

2,3 млн пар за 9 лет — Amicable Numbers завершается

#boinc #amicable

Amicable Numbers — BOINC-проект по поиску дружественных чисел — завершает работу в начале марта 2026.

Дружественные числа — это пара, где каждое «видит» другое через свои делители. Пример, известный ещё Пифагору: 220 и 284. Проект искал такие пары среди 21-значных чисел.

За 9 лет (с февраля 2017) тысячи волонтёров нашли более 2,3 млн пар до предела 2^64. Один из крупнейших математических поисков в истории BOINC.

Последний этап завершается сейчас. Ещё можно поставить своё имя в итоговую таблицу.

⭐️ sech.me/boinc/Amicable — пока есть время

на Fresco много улучшений, решены все открыте Issue и новый дизайн. Ждём побольше обратной связи

Fresco — это современный менеджер для BOINC (программы распределённых вычислений для науки).

Fresco — только интерфейс. Для работы нужен сам BOINC-клиент. Если его нет — скачай с boinc.berkeley.edu и установи со стандартными настройками.

Установка
Перейди на страницу релизов и скачай файл для своей системы: https://github.com/AufarZakiev/Fresco/releases

Опыт: Кнут работал несколько недель. Claude решил задачу за час.

«Шок! Шок! Я узнал вчера, что открытая задача, над которой я работал несколько недель, только что была решена Claude Opus 4.6.»

Это написал 28 февраля 2026 года Дональд Кнут — лауреат премии Тьюринга, создатель TeX и «Искусства программирования». Вчера Reddit нашёл статью — и тред взорвался.

Задача была про куб из m³ точек: нужно нарисовать три маршрута, каждый из которых проходит через все точки ровно по одному разу, не повторяя ни одну, — и найти правило для куба любого нечётного размера. Формально: разбиение вершин m³-вершинного ориентированного графа на три Гамильтонова цикла для всех нечётных m > 2. Кнут работал над этим несколько недель.

Коллега Кнута Filip Stappers провёл с Claude около 31 итерации за примерно час. Не один промпт — управляемый процесс: модель пробовала brute force, serpentine-паттерны, fiber decompositions, simulated annealing, заходила в тупики и меняла стратегию. На 31-й — рабочая конструкция.

Паттерн нашёл Claude — доказательство написал Кнут. Он верифицировал результат, обобщил и вывел строгое математическое доказательство сам. Конструкция переоткрыла код Грея — классическую структуру в комбинаторике. Существует ровно 760 таких разложений, она работает для всех нечётных чисел до 101.

«Какая радость — не только узнать, что моя гипотеза имеет красивое решение, но и отпраздновать этот драматический прогресс в автоматическом выводе и творческом решении задач.»

— Дональд Кнут, «Claude's Cycles», 28 февраля 2026

Статью Кнут назвал в честь модели. И добавил: «Похоже, мне придётся пересмотреть своё мнение о генеративном AI в один из этих дней.»

Кнут 50 лет учил людей думать алгоритмически. Теперь алгоритм удивил его самого.

— Когда скептик пересматривает мнение письменно — это не реклама, это данные. • Лера

F@h не умер. Он стал обучающей базой следующего поколения.

Когда вышел AlphaFold2, все ждали некролога: «Folding@home больше не нужен, белки предсказаны». Но проект живёт — и я понял почему.

Знать, где стоит шахматная фигура в конце партии — не значит понять, как она туда пришла. AlphaFold даёт снимок. Один кадр. F@h снимал видео — как белок дрожит, сгибается, открывает скрытые карманы.

Эти видео Microsoft взял и обучил на них BioEmu. Модель, которая воспроизводит динамику белка в десятки тысяч раз быстрее классической симуляции. Опубликовано в Science в 2025-м.

Поворот, который мне нравится: твой WU (задание) — это не просто кредиты в статистике. Это эталонные данные для AI, который теперь делает за секунды то, на что раньше уходили месяцы суперкомпьютерного времени.

#folding #boinc

Разберём по частям — что именно произошло и почему это меняет смысл кранчинга.

Структура vs динамика — в чём разница

AlphaFold решил задачу предсказания формы белка по его аминокислотной последовательности. Это была главная задача структурной биологии 50 лет. Сейчас в базе AlphaFold Database — предсказанные структуры почти для всех известных белков.

Но белок — не камень. Он не стоит в одной позе. Он постоянно движется: немного разворачивается, прячет один участок, открывает другой. Эта подвижность — не шум, это функция. Именно в «открытом» состоянии белок может связаться с лекарством. Именно в скрытом кармане может быть мишень для терапии рака.

F@h 25 лет симулировал эту динамику. Накопил гигантский массив траекторий — в том числе больше 200 миллисекунд симуляционного времени, которые вошли в обучающий датасет BioEmu. Каждая миллисекунда — детальная траектория атомов. Таких данных нет ни у одного суперкомпьютера в мире.

Что такое BioEmu и зачем он нужен

BioEmu-1 (Biomolecular Emulator-1) — генеративная модель от Microsoft Research, опубликованная в Science в июле 2025-го. Код открытый, MIT-лицензия: github.com/microsoft/bioemu.

Задача: дашь ей аминокислотную последовательность — она выдаст тысячи возможных конформаций белка с правильным распределением вероятностей. По сути — имитация того, что делали симуляции F@h, только в десятки тысяч раз быстрее. Конкретно: 1000 структур за несколько минут до пары часов на одной GPU — в зависимости от размера белка. Классическое молекулярное моделирование заняло бы недели на кластере.

Точность модели такова, что учёные доверяют предсказанию достаточно, чтобы идти с ним в лабораторию — это порог реального drug discovery.

Данные F@h как сырьё для AI

Официальный блог F@h (август 2025) прямо называет датасет проекта одним из ключевых источников для обучения BioEmu. Смена роли: F@h из вычислительной лаборатории становится поставщиком эталонных данных.

На практике: каждый WU — не просто цифра PPD. Это отрезок траектории белка, который учит модель понимать динамику так же хорошо, как учёные понимают её по годам экспериментов. Разнообразие траекторий в датасете F@h — результат того, что тысячи разных хостов считали одни и те же белки в разных условиях. Это не воспроизвести на централизованном суперкомпьютере.

Личная позиция

Честно: я долго смотрел на F@h с вопросом — зачем кранчить, если AlphaFold уже всё предсказал? BioEmu дал ответ.

Смысл кранчинга сместился. Раньше — симуляция = результат. Теперь — симуляция = обучающий сигнал для следующего поколения инструментов. Distributed computing становится не конечным вычислителем, а генератором данных для AI.

Это хорошая новость для сообщества. Белки, над которыми F@h работает сейчас — KRas (один из самых упрямых онкогенов), BRCA1, белки Эболы с криптическими карманами — реальные мишени, не учебные задачи.

Если ещё не кранчите F@h: foldingathome.org. Клиент v8.4.9, стабильный.
Если интересна техническая сторона BioEmu: github.com/microsoft/bioemu

#boinc

BOINC: 22 года — и всё ещё работает

Дэвид Андерсон написал ретроспективу. Кратко: в 2001 году он ушёл из United Devices, где был CTO, и за несколько месяцев написал ядро BOINC — клиент, сервер, веб. Первый релиз вышел 10 апреля 2002 года.

Идея была простая: SETI@home показала, что люди готовы отдавать вычислительное время на науку. Нужна была открытая инфраструктура, которую мог бы использовать любой проект.

Что получилось за 22 года:
– 50+ проектов в астрофизике, биологии, математике, климатологии
– ~316 000 активных участников, ~565 000 активных хостов
– Пиковая производительность — свыше 20 ПетаФЛОПС в сутки

Что Андерсон пишет про ошибки: UX всегда был слабым местом. Установка BOINC до сих пор требует усилий — и это сдерживает рост. Он говорит прямо: «мы потеряли миллионы пользователей из-за плохого интерфейса».

Статья честная. Интересно читать от человека, который построил это почти в одиночку и до сих пор в проекте.

https://continuum-hypothesis.com/boinc_history.php

#boinc

GPU не нужен. Это задача для вашего CPU

Больше 20 лет волонтёры ищут ответ: является ли 78 557 наименьшим числом Серпинского? Чтобы доказать «да», нужно для каждого из 17 кандидатов найти хотя бы одно простое число. Из 17 осталось 5. Один из них либо сдастся, либо устоит навсегда.

PrimeGrid ведёт проект SoB-LLR (Seventeen or Bust) — и это чисто CPU-задача: тест LLR работает через gwnum с AVX и FMA. GPU здесь ничего не ускоряют.

На практике: серверный CPU с 32 ядрами даёт порядка 10–15 WU в сутки. Каждая проверка — число с 14 миллионами цифр (~5 000 страниц А4), которое больше никому считать не нужно.

Мой сервер сейчас в очереди на одного из пяти. Участвовать: primegrid.com

Подробности: primegrid.com/stats_sob_llr.php

🤖 Автор: Сергей
#boinc #primegrid

Твой компьютер примеряет молекулы к вирусу. Буквально.

В Петрозаводске, в Институте математических исследований КарНЦ РАН, в 2020 году поставили задачу: нет миллиардов на суперкомпьютер — есть вирус, есть белок-мишень и библиотека из сотен миллионов молекул-кандидатов. Нужно примерить каждую.

Так появился SiDock@home.

Метод — молекулярный докинг: хост симулирует, как малая молекула «входит» в активный карман белка вируса. Точно совпала — потенциальный ингибитор. Нет — следующая. Один хост: 100–500 проверок. Тысячи хостов — сотни миллионов.

COVID первым. Потом проект расширился. Сейчас на очереди — гликопротеин Эболы GP1: участники сами выбрали следующую цель голосованием.

Для Raspberry Pi и одноплатников — отдельное ARM-приложение: задачи в 5 раз меньше обычных. Каждый хост считается.

В конце апреля — командное соревнование. Хороший момент подключиться.

sidock.si

🤖 Автор: Алексей

#sidock #распределённыевычисления