🔢 mathematics

GoldbachGPU: An Open Source GPU-Accelerated Framework for Verification of Goldbach's Conjecture

يُعد GoldbachGPU إطار عمل مفتوح المصدر ومجزأ يعتمد على وحدات معالجة الرسومات، يتغلب على قيود الذاكرة السابقة للتحقق الشامل من حدسية غولدباخ حتى 10^12 على وحدة معالجة رسومات واحدة للمستهلكين، ويمتد للتحقق من الدقة التعسفية حتى 10^10000، مع إظهار قابلية توسع واضحة عبر أجهزة مراكز البيانات متعددة وحدات معالجة الرسومات.

المؤلفون الأصليون: Isaac Llorente-Saguer

نُشر 2026-03-04

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Isaac Llorente-Saguer

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول حل لغز ضخم. اللغز هو حدسية غولدباخ (Goldbach's Conjecture)، وهي مسألة رياضية موجودة منذ عام 1742. القاعدة بسيطة: كل عدد زوجي أكبر من 2 يمكن تكوينه عن طريق جمع عددين أوليين معاً.

على سبيل المثال:

4 = 2 + 2
10 = 3 + 7
100 = 3 + 97

لقد تحقق علماء الرياضيات من هذه الأرقام حتى التريليونات، لكنهم لم يثبتوا صحتها لكل رقم موجود في الوجود. تقدم هذه الورقة أداة جديدة تسمى GoldbachGPU، وهي تتحقق من هذه الأرقام بسرعة فائقة باستخدام بطاقة رسوميات حاسوبية قياسية (من النوع الذي يستخدمه اللاعبون).

إليك كيف تعمل هذه الورقة، مشروحة عبر تشبيهات من الحياة اليومية:

1. المشكلة القديمة: عنق زجاجة "خزانة الملفات"

تخيل أنك أمين مكتبة تحاول معرفة ما إذا كان كتاب معين موجوداً أم لا. في الماضي، حاول علماء الحاسوب وضع قائمة بـ كل الأعداد الأولية (التي تمثل "الكتب") في الذاكرة فائقة السرعة للحاسوب (VRAM) للتحقق منها فوراً.

المشكلة: قائمة الأعداد الأولية ضخمة جداً. ومع كبر الأرقام، تصبح القائمة طويلة جداً بحيث لا تتسع في ذاكرة الحاسوب. الأمر يشبه محاولة حشر مكتبة كاملة في حقيبة ظهر واحدة.
الحد الأقصى: حاولت المحاولات السابقة تجاوز هذا "الجدار" عند 100 مليار ( $10^{11}$ ). فبمجرد أن أصبحت القائمة أكبر من حجم الحقيبة، كان على الحاسوب أن يتوقف.

2. الحل: استراتيجية "التقسيم الذكي"

لم يحاول المؤلف، إسحاق لورينتي-ساغير (Isaac Llorente-Saguer)، إجبار المكتبة بأكملها على الدخول في حقيبة الظهر. بدلاً من ذلك، ابتكر استراتيجية من خطوتين تغير طريقة بحث الحاسوب عن الإجابة.

الخطوة أ: "حقيبة الملابس المضغوطة" (Bit-Packed)

أولاً، أدرك أن الطريقة القديمة لتخزين الأرقام كانت مهدرة. كان الأمر يشبه تخزين كل كتاب في صندوق كرتوني ضخم وفارغ.

الإصلاح: قام بضغط البيانات. بدلاً من تخصيص صندوق لكل كتاب، استخدم حقيبة صغيرة وكثيفة حيث تتسع لـ 16 كتاباً في مساحة كتاب واحد فقط. هذا الضغط بمقدار 16 ضعفاً يعني أن الحاسوب يمكنه حمل قائمة أطول بكثير من الأعداد الأولية في ذاكرته دون أن يفيض.

الخطوة ب: "خط التجميع المجزأ" (الابتكار الكبير)

حتى مع الحقيبة الأصغر حجماً، ظلت القائمة طويلة جداً بالنسبة للأرقام الكبيرة (حتى تريليون، أو $10^{12}$ ). لذا، قام بتغيير سير العمل بالكامل.

تخيل أنك تتحقق من طابور طويل من الناس (الأعداد الزوجية) لترى ما إذا كان لكل منهم شريك مطابق (عدد أولي).

الطريقة القديمة: تأخذ كامل قائمة الشركاء المحتملين، وتجلبهم جميعاً إلى الطر، وتفحص كل شخص مقابل الجميع. هذا يتطلب غرفة واسعة جداً (ذاكرة).
طريقة GoldbachGPU: أنت تجلب مجموعة صغيرة فقط من الشركاء إلى الطابور في كل مرة.
1. تتحقق من المجموعة الأولى من الناس.
2. إذا وجدت تطابقاً، تنتقل إلى المجموعة التالية.
3. إذا لم تجد تطابقاً مع المجموعة الصغيرة، فلديك "شبكة أمان" (فحص دقيق من المعالج المركزي CPU) يقوم بعملية بحث عميقة وبطيئة للتأكد من أنك لم تفوت أي شيء.

السحر: لأنك تحتاج فقط إلى حمل "جزء" صغير من قائمة الشركاء في الذاكرة في أي وقت، فإن الحاسوب لا ينفد منه المساحة أبداً. إنه يشبه مصنع خط تجميع حيث تحتفظ فقط بالأدوات اللالية للمهمة الحالية على الطاولة، بدلاً من أدوات المصنع بأكمله.

3. "العراف" (المحقق ذو المستويات الثلاثة)

لجعل هذا سريعاً، يستخدم الحاسوب نظام "محقق ثلاثي المستويات" للتحقق مما إذا كان الرقم أولياً:

النظرة السريعة: هل الرقم صغير جداً؟ تحقق من قائمة صغيرة ودائمة في عقل الحاسوب (L2 Cache). إجابة فورية.
الجزء الحالي: هل الرقم موجود في المجموعة الصغيرة التي نعمل عليها حالياً؟ تحقق من القائمة الموجودة على الطاولة حالياً (VRAM). إجابة سريعة جداً.
الغوص العميق: هل الرقم في المنطقة "البينية"؟ قم بإجراء اختبار رياضي معقد (اختبار ميلر-رابين) للتأكد. أبطأ، ولكن ضروري.

يضمن هذا النظام أن يقضي الحاسوب 99% من وقته في "النظرة السريعة" و"الجزء الحالي"، وهما عمليتان سريعتان للغاية.

4. النتائج: كسر الرقم القياسي

باستخدام بطاقة رسوميات ألعاب قياسية (NVIDIA RTX 3070، والتي تكلف بضع مئات من الدولارات)، استطاع هذا الإطار الجديد:

التحقق من كل عدد زوجي حتى تريليون ( $10^{12}$ ).
وجد صفر حالات مضادة. (كل رقم تم التحقق منه لا يزال يتبع القاعدة).
استغرق حوالي 41 دقيقة للقيام بما كان يستغرق أياماً أو يتطلب حواسيب فائقة (Supercomputers).
استخدم ذاكرة ضئيلة جداً (14 ميجابايت فقط لكل جزء)، مما يعني أنه يمكنه نظرياً الذهاب إلى مستويات أعلى إذا لزم الأمر.

كما قاموا ببناء أداة خاصة للتحقق من أرقام فردية ضخمة جداً (تصل إلى 10,000 رقم)، والتحقق منها في ثوانٍ.

5. لماذا هذا مهم؟

إنه مفتوح المصدر: يمكن لأي شخص تحميل الكود، وتشغيله على حاسوبه الخاص، والتحقق من النتائج.
إنه متاح للجميع: لا تحتاج إلى حاسوب خارق يكلف مليون دولار. يمكن الآن لحاسوب ألعاب عادي القيام بعمليات تحقق رياضية عالمية المستوى.
إنه فعال: لقد أثبت أن "جدار الذاكرة" السابق لم يكن قانوناً فيزيائياً؛ بل كان مجرد تصميم سيء. من خلال تغيير التصميم، يمكننا المضي قدماً لمسافات أبعد بكثير.

باختصار: لقد أخذ المؤلف مشكلة كانت عالقة لأن الحواسيب نفدت منها "مساحة المكتب"، وحلها بتعليم الحاسوب كيفية العمل في نوبات صغيرة يمكن إدارتها، باستخدام نظام ملفات عالي الكفاءة. والنتيجة؟ يمكننا الآن التحقق من قواعد الكون (الرياضيات) حتى التريليون، مباشرة من حاسوب منزلي.

إليك ملخص تقني مفصل لورقة البحث: "GoldbachGPU: إطار عمل مفتوح المصدر معزز بمعالجات الرسوميات (GPU) للتحقق من حدسية غولدباخ."

1. بيان المشكلة

تفترض حدسية غولدباخ أن كل عدد زوجي أكبر من 2 هو مجموع عددين أوليين. ورغم أنها غير مثبتة نظرياً، فقد تم التحقق منها حسابياً حتى $4 \times 10^{18}$ باستخدام مجموعات الحوسبة الموزعة (CPU clusters). ومع ذلك، كان التحقق باستخدام معالجات الرسوميات (GPU) - وتحديداً معالجات الرسوميات الاستهلاكية الفردية - محدوداً بشدة بسبب قيود ذاكرة الفيديو (VRAM).

اعتمدت النهج السابقة القائمة على الـ GPU على تخزين جدول أعداد أولية متجانس (Monolithic) في ذاكرة الـ VRAM. وقد خلق هذا "سقفاً ذاكرياً صلباً" بالقرب من $10^{11}$ ، حيث إن تخزين تمثيل (بايت لكل رقم) للنطاقات الأكبر يتجاوز سعة الـ 8 إلى 24 جيجابايت المتوفرة في بطاقات المستهلكين. وبناءً على ذلك، لم يسبق لأي إطار عمل مفت المصدر أن أثبت التحقق الشامل لما يتجاوز $10^{11}$ على معالج رسوميات واحد.

2. المنهجية

يقترح المؤلفون GoldbachGPU، وهو إطار عمل يتكون من خمس أدوات متكاملة تتدرج من خطوط الأساس (Baselines) للمعالجات المركزية (CPU) إلى التحقق من الدقة العالية (Arbitrary-precision). يكمن الابتكار الجوهري في المتحقق من الغربلة المزدوجة المجزأة (Segmented Double-Sieve Verifier - goldbach_gpu3).

المكونات الهيكلية الرئيسية:

التمثيل الكثيف المعبأ بالبتات (Dense Bit-Packed Representation):
بدلاً من تخزين الأعداد الأولية كبايتات، يستخدم إطار العمل مصفوفة كلمات مكونة من 64 بت حيث يمثل كل بت عدداً فردياً. يحقق هذا تقليصاً بمقدار 16 ضعفاً في بصمة الذاكرة مقارنة بتخزين مصفوفة البايتات، مما يسمح لجدول الأعداد الأولية حتى $10^{11}$ بأن يتسع ضمن 8 جيجابايت من ذاكرة الـ VRAM (أي 5.96 جيجابايت).
بنية الغربلة المزدوجة المجزأة (Segmented Double-Sieve Architecture):
للتغلب على حد الـ $10^{11}$ ، يتخلى إطار العمل عن الجدول المتجانس، ويتبنى نهجاً مجزأً مستوحى من استراتيجية قلب الحلقة (Loop Inversion) الخاصة بـ "أوليفيرا إي سيلفا":
1. قلب الحلقة (Loop Inversion): بدلاً من التكرار عبر الأعداد الزوجية $n$ والبحث عن الأعداد الأولية $p$ ، يقوم النظام بالتكرار عبر الأعداد الأولية المرشحة $p$ وتحديد الأجزاء الصالحة للأعداد الزوجية $n$ .
2. المعالجة المجزأة (Segmented Processing): يتم تقسيم النطاق إلى أجزاء (على سبيل المثال، $10^7$ من الأعداد الزوجية). لكل جزء، يقوم المعالج المركزي (CPU) بإنشاء مجموعة بتات (Bitset) صغيرة للأعداد الأولية (حوالي 14 ميجابايت) ونقلها إلى معالج الرسوميات (GPU).
3. أوراكل الأولية ثلاثي المستويات (Three-Way Primality Oracle): بالنسبة لعدد زوجي $n$ $n$ في الجزء الحالي والعدد الأولي المرشح $p$ $p$ ، يتحقق النظام مما إذا كان $q = n - p$ $q = n - p$ أولياً باستخدام سلسلة أولويات:
  - الأولوية 1: $q \le P_{SMALL}$ ( $10^6$ ): بحث في مجموعة بتات الأعداد الأولية الصغيرة المقيمة دائماً (~122 كيلوبايت).
  - الأولوية 2: $q \in [A, B]$ (الجزء الحالي): بحث في مجموعة بتات الجزء الحالي (14 ميجابايت).
  - الأولوية 3: $P_{SMALL} < q < A$ : اختبار ميلر-رابين الحتمي لـ 64 بت.
    يضمن هذا التصميم استخداماً ثابتاً لـ VRAM بقيمة $O(1)$ بغض النظر عن النطاق الإجمالي $N$ ، حيث يوجد فقط الجزء الحالي في الذاكرة.
سلاسل التراجع والتحقق (Fallback and Verification Chains):
- التراجع إلى المعالج المركزي (CPU Fallback): إذا فشلت المرحلة الأولى (GPU) في العثốt على جزء لأي $n$ ، يتم تفعيل بحث شامل صارم باستخدام المعالج المركزي. في جميع التجارب، لم يتم استدعاء هذه المرحلة أبداً.
- الدقة العالية (big_check): يستخدم مكتبة GMP وOpenMP مع استراتيجية بحث دفعي متزامنة للتحقق من الأعداد الفردية حتى $10^{10,000}$ رقم، مما يمنع انطلاق الخيوط (Thread Runaway) في التنفيذ المتوازي.

3. المساهمات الرئيسية

إزالة سقف ذاكرة VRAM: يزيل تصميم الغربلة المزدوجة المجزأة الحاجز الذاكري، مما يمكّن التحقق الشامل حتى $10^{12}$ على معالج رسوميات مستهلك واحد (NVIDIA RTX 3070، بسعة 8 جيجابايت VRAM).
كفاءة الذاكرة: يقلل تمثيل الـ Bitset الكثيف متطلبات الذاكرة بمقدار 16 ضعفاً، مما يسمح بجداول مقيمة في الـ GPU حتى $10^{11}$ .
ضمان الصحة: يضمن التصميم ثنائي المرحلة (المسار السريع للـ GPU + التراجع للـ CPU) الاكتمال الرياضي دون الاعتماد على حدود غير مثبتة للعدد الأولي الأدنى لغولدباخ.
القابلية للتوسع: يظهر إطار العمل توسعاً واضحاً متعدد المعالجات (Multi-GPU) على الأجهزة المخصصة لمراكز البيانات (تم اختباره على 8× H100) ويدعم التحقق من الدقة العالية حتى $10^{10,000}$ رقم.
مفتوح المصدر: الكود المصدري بأكمله مفتوح المصدر، موثق، وقابل لإعادة الإنتاج على كل من الأجهزة الاستهلاكية والأجهزة عالية الأداء.

4. النتائج

نطاق التحقق: نجح إطار العمل في التحقق من جميع الأعداد الزوجية حتى $10^{12}$ على بطاقة RTX 3070 واحدة في حوالي 41 دقيقة. لم يتم العثور على أي أمثلة مضادة.
الأداء:
- التسريع (Speedup): عند $10^9$ ، حقق تنفيذ الـ GPU تسريعاً بمقدار 16 ضعفاً مقارنة بخط الأساس للـ CPU.
- التوسع (Scaling): يتوسع وقت التشغيل خطياً ( $O(N)$ ) مع النطاق. يحافظ التصميم المجزأ على تكلفة ثابتة لكل جزء.
- تعدد معالجات الرسوميات (Multi-GPU): أظهر التوسع القوي (Strong Scaling) على 6× RTX 3090 كفاءة تقترب من الخطية (91% عند 4 معالجات، و80% عند 6 معالجات).
التحقق التجريبي من حدود العدد الأولي الأدنى: يؤكد معدل النجاح بنسبة 100% للمرحلة الأولى (الخاصة بالـ GPU فقط) عبر نطاق $10^{12}$ بأثر رجعي أن الحد الأدنى للعدد الأولي لغولدباخ $p_{min}(n) \le 2 \times 10^6$ لجميع الأعداد الزوجية $n \le 10^{12}$ . وهذا يتوافق مع التوقعات النظرية ( $H(10^{12}) \approx 2000$ ).
الدقة العالية: تم التحقق من عدد مكون من 10,001 رقم ( $10^{10,000}$ ) في 182 ثانية باستخدام 20 خيطاً (Threads).

5. الأهمية والقيود

الأهمية:
يثبت هذا العمل أن القيود التي واجهت عمليات التحقق السابقة من حدسية غولدباخ باستخدام معالجات الرسوميات كانت هيكلية (تخصيص ذاكرة متجانس) وليست جوهرية. من خلال عكس حلقة التحقق واستخدام الغربلة المجزأة، يعمل GoldbachGPU على دمقرطة التحقق عالي النطاق، مما يسمح لبطاقة مستهلك واحدة بالتفوق على جهود معالجات الرسوميات الفردية السابقة بمقدار مرتبة عشرية كاملة. إنه يسد الفجوة بين الأجهزة الاستهلاكية ومجموعات الحوسبة الموزعة الضخمة التي كانت مطلوبة سابقاً لهذه المهام.

القيود والعمل المستقبلي:

عنق زجاجة المعالج المركزي (CPU Bottleneck): يقتصر التنفيذ الحالي على بناء الغربلة المجزأة بواسطة المعالج المركزي، والذي يجب أن ينشئ جداول الأعداد الأولية قبل نقلها إلى معالج الرسوميات. في الأجهزة عالية الأداء (مثل H100)، غالباً ما يظل معالج الرسوميات في حالة انتظار حتى ينتهي المعالج المركزي من معالجة البيانات.
الفجوة الخوارزمية: يحدد المؤلفون أن النهج الحالي يقوم بعمليات بحث عن الأولية لكل $n$ . إن اعتماد نواة وسم جماعي للبتات (Bitwise Bulk-Marking Kernel) (على غرار طريقة الغربلة المزدوجة الكاملة) يمكن أن يقلل التعقيد إلى $O(N \log \log N)$ ويلغي عمليات التراجع لـ Miller–Rabin، مما قد يدفع التحقق إلى $10^{15}$ على معالج رسوميات واحد.
نطاق ذاكرة الوصول العشوائي (Memory Bandwidth): يتأثر الأداء بنطاق ذاكرة المضيف؛ حيث يمكن للأجزاء الكبيرة أن تسبب جوعاً لمعالجات الرسوميات ذات النطاق العالي إذا لم يستطع المعالج المركزي للمضيف توفير البيانات بالسرعة الكافية.

في الختام، يمثل GoldbachGPU قفزة نوعية في نظرية الأعداد الحسابية، حيث يوفر إطار عمل قابلاً للتوسع، مفتوح المصدر، وصارماً للتحقق من حدسية غولدباخ على الأجهزة المتاحة على نطاق واسع.