🔢 mathematics

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

Il paper presenta GoldbachGPU, un framework open-source che sfrutta l'accelerazione GPU e una memoria segmentata per verificare la congettura di Goldbach fino a 10^12 su hardware consumer e fino a 10^10000 con precisione arbitraria, superando i precedenti limiti di memoria e garantendo la completezza matematica.

Autori originali: Isaac Llorente-Saguer

Pubblicato 2026-03-04

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Isaac Llorente-Saguer

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🌟 Il Problema: La Scommessa di Goldbach

Immagina di avere una lista infinita di numeri pari (4, 6, 8, 10, 12...). La Congettura di Goldbach, fatta nel 1742, dice una cosa molto semplice: "Ogni numero pari di questa lista può essere scritto come la somma di due numeri primi".

Esempio: 10 = 3 + 7 (3 e 7 sono primi).
Esempio: 100 = 3 + 97.

I matematici non sono ancora riusciti a dimostrare che questo vale per tutti i numeri per sempre. Quindi, per sicurezza, usano i computer per controllare miliardi di numeri: se trovano anche un solo numero che non funziona, la congettura crolla. Finora, nessun computer ha trovato un "bug".

🚀 La Soluzione: GoldbachGPU

L'autore, Isaac Llorente-Saguer, ha creato un programma chiamato GoldbachGPU. È un software gratuito che usa le schede video (GPU) dei nostri PC per fare questi calcoli molto più velocemente dei computer tradizionali.

Ecco come funziona, spiegato con delle metafore:

1. Il Problema della "Memoria Piena" (Il Muro di VRAM)

Immagina che la scheda video sia una libreria con uno scaffale molto piccolo (la memoria VRAM).

I vecchi metodi: Per controllare i numeri, i ricercatori provavano a mettere tutti i numeri primi conosciuti su questo scaffale. Ma lo scaffale era troppo piccolo! Appena arrivavano a numeri molto grandi (intorno a 100 miliardi), lo scaffale si riempiva e il computer si bloccava. Era come cercare di mettere un elefante in un armadio da bambino.
La soluzione di GoldbachGPU: Invece di scrivere ogni numero su un foglio di carta (che occupa molto spazio), l'autore ha inventato un modo per comprimerli. Immagina di usare un codice a barre o dei puntini neri e bianchi su un foglio strettissimo.
- Risultato: Hanno ridotto lo spazio occupato di 16 volte. È come se l'armadio da bambino fosse improvvisamente diventato grande quanto una stanza. Ora possono mettere molti più numeri primi sullo scaffale.

2. Il Trucco del "Segmento" (Il Nastro Trasportatore)

Anche con lo scaffale più grande, c'era un limite: non potevano controllare numeri infiniti.

Il vecchio approccio: Cercare di controllare un numero alla volta, guardando tutta la libreria ogni volta.
L'approccio GoldbachGPU (Il Nastro Trasportatore): Immagina di non controllare tutto il mondo intero, ma solo un pezzo di strada alla volta (un segmento).
1. Il computer prepara un piccolo pezzo di mappa (solo 14 MB, piccolissimo!) e lo carica nella scheda video.
2. La scheda video controlla velocemente tutti i numeri in quel piccolo pezzo.
3. Una volta finito, scarica quel pezzo e ne carica un altro.
4. Il trucco geniale: Invece di chiedere "Quali due numeri sommati fanno 100?", il programma chiede "Se prendo questo numero primo, quali numeri posso creare sommandolo ad altri?". Questo permette di usare la memoria in modo intelligente, come se fosse un nastro trasportatore che passa davanti a te: non devi avere tutto il magazzino in mano, basta il pezzo che passa in quel momento.

3. La Sicurezza: "Il Controllore di Sicurezza"

C'è sempre il rischio che la scheda video (che è velocissima ma a volte fa errori di calcolo per la fretta) salti qualcosa.

Per essere sicuri al 100%, il programma ha un controllore di sicurezza (il processore del PC, la CPU).
Se la scheda video dice "Tutto ok!", il controllo passa al PC. Se la scheda video si blocca o non trova una soluzione, il PC fa un controllo lento ma infallibile.
Risultato: In tutti i test fatti, il controllore di sicurezza non ha mai dovuto intervenire. La scheda video ha fatto tutto perfettamente.

🏆 I Risultati Magici

Grazie a questi trucchi, il programma è riuscito a fare qualcosa di incredibile su una semplice scheda video da gaming (una NVIDIA RTX 3070, quella che usano i gamer):

Ha controllato tutti i numeri pari fino a 1.000.000.000.000 (un trilione).
Non ha trovato nessun errore. La congettura regge ancora!
Ha fatto tutto in meno di 2 ore.
Inoltre, ha un modo speciale per controllare numeri enormi (con migliaia di cifre), fino a numeri con un milione di zeri, usando una matematica speciale.

💡 In Sintesi

Immagina di dover trovare un ago in un pagliaio.

I vecchi computer provavano a guardare tutto il pagliaio con gli occhi nudi (lento e si stancavano).
I vecchi computer con schede video provavano a usare un magnete gigante, ma il magnete era troppo pesante e si rompeva (memoria piena).
GoldbachGPU usa un magnete leggero e intelligente, e invece di guardare tutto il pagliaio insieme, lo divide in piccoli sacchetti che passa velocemente sotto il magnete. Risultato: trova l'ago in un trilione di pagliai in due ore, usando un computer che puoi comprare al negozio di elettronica.

È un esempio perfetto di come l'ingegno (algoritmi intelligenti) possa fare di più della semplice potenza bruta, rendendo la ricerca matematica accessibile a tutti.

Titolo: GoldbachGPU: Un Framework Open Source Accelerato da GPU per la Verifica della Congettura di Goldbach

1. Il Problema

La Congettura di Goldbach, formulata nel 1742, afferma che ogni numero intero pari maggiore di 2 può essere espresso come somma di due numeri primi. Sebbene esistano progressi teorici significativi (come il teorema di Chen e la prova della congettura ternaria), la forma binaria rimane non dimostrata.
La verifica computazionale ha svolto un ruolo cruciale, spingendo il limite verificato fino a $4 \times 10^{18}$ in calcoli distribuiti su larga scala. Tuttavia, l'implementazione su hardware commerciale (in particolare GPU consumer) è stata storicamente limitata da un "soffitto di memoria VRAM".

Gli approcci precedenti basati su GPU utilizzavano tabelle di numeri primi monolitiche in memoria video, rendendo impossibile superare limiti di circa $10^{10}$ - $10^{11}$ su schede con 8 GB di VRAM.
Non esisteva alcun framework open-source in grado di eseguire una verifica esaustiva oltre $10^{11}$ su una singola GPU.

2. Metodologia e Architettura

Il framework GoldbachGPU risolve il problema della memoria attraverso un'architettura innovativa composta da cinque strumenti di verifica complementari, che vanno dalla verifica di base su CPU fino alla precisione arbitraria.

A. Rappresentazione dei Numeri Primi (Bitset Densi)

Invece di utilizzare array di byte (1 byte per numero), il framework utilizza una rappresentazione bit-packed densa.
Poiché i numeri pari (eccetto 2) non sono primi, vengono omessi. Per un numero dispari $n$ , l'indice del bit è calcolato in modo da occupare un array di parole a 64 bit.
Risultato: Una riduzione del footprint di memoria di 16 volte rispetto alla rappresentazione in byte. Questo permette di memorizzare tabelle di primi fino a $10^{11}$ in 8 GB di VRAM (5,96 GB contro 95 GB).

B. Verificatore a Doppio Setto Segmentato (Goldbach GPU3)
Questa è la contribuzione principale che rimuove il limite di memoria.

Inversione del Ciclo di Verifica: Invece di iterare sui numeri pari $n$ e cercare un primo $p$ , il sistema itera sui candidati primi $p$ e marca i numeri pari $n$ per cui $q = n - p$ è primo. Questo permette di segmentare la tabella dei primi in modo sicuro.
Oracolo di Primalità a Tre Fasi: Per ogni segmento di numeri pari (dimensione fissa di $10^7$ $1 0^{7}$ ), la GPU utilizza un oracolo gerarchico per determinare la primalità di $q$ $q$ :
1. $q \le P_{SMALL}$ : Lookup diretto in un piccolo bitset residente in VRAM (122 KB).
2. $q \in [A, B]$ (segmento corrente): Lookup nel bitset del segmento corrente (14 MB), pre-calcolato su CPU.
3. $P_{SMALL} < q < A$ : Test di primalità deterministico Miller-Rabin a 64 bit.
Vantaggio: L'uso della VRAM è costante ( $O(1)$ in $N$ , circa 14 MB per segmento), indipendentemente dalla dimensione totale del range verificato.

C. Strumenti di Supporto

CPU Baseline: Implementazione sequenziale per la validazione di verità (ground truth).
Single-Number Checker: Verifica di singoli numeri 64-bit usando test Miller-Rabin deterministici su GPU.
Arbitrary-Precision Checker (Big Check): Utilizza la libreria GMP e OpenMP con una strategia di ricerca sincronizzata a batch per verificare numeri fino a $10^{10000}$ , prevenendo lo squilibrio del carico di lavoro (thread runaway).

3. Risultati Sperimentali

Gli esperimenti sono stati condotti su una singola NVIDIA RTX 3070 (8 GB VRAM) e su hardware data-center (H100).

Verifica Esaustiva fino a $10^{12}$ :
- Il framework ha verificato tutti i numeri pari fino a $10^{12}$ in circa 41 minuti.
- Nessun controesempio trovato.
- Il fallback CPU (che testerebbe tutti i primi fino a $n/2$ ) non è mai stato invocato, confermando empiricamente che il primo minimo di Goldbach $p_{min}(n)$ per $n \le 10^{12}$ è $\le 2 \times 10^6$ .
Efficienza e Scalabilità:
- Goldbach GPU2 (Bitset Globale): Ha mostrato un'accelerazione di 16x rispetto alla CPU a $10^9$ , ma ha raggiunto il limite di memoria a $10^{11}$ .
- Goldbach GPU3 (Segmentato): Ha mantenuto un tempo di esecuzione lineare $O(N)$ e un uso di memoria costante $O(1)$ , permettendo di superare il limite di $10^{11}$ .
- Multi-GPU: Su un sistema con 6 GPU RTX 3090, si è osservata una scalabilità quasi lineare (efficienza >90% fino a 4 GPU). Su hardware H100, i tempi sono simili a quelli delle RTX 3090 per limiti inferiori ( $10^{10}$ ) a causa del collo di bottiglia nella generazione dei segmenti su CPU, ma mostrano vantaggi a limiti superiori ( $10^{11}$ ).
Precisione Arbitraria:
- È stata verificata la congettura per numeri fino a $10^{10000}$ (10.001 cifre) in 182 secondi su 20 thread.

4. Contributi Chiave

Architettura a Doppio Setto Segmentato: Elimina il soffitto di memoria VRAM, permettendo verifiche esaustive su hardware consumer.
Riduzione della Memoria (16x): L'uso di bitset densi rende fattibile la residenza di grandi tabelle di primi in VRAM.
Correttezza Matematica: Un fallback CPU rigoroso garantisce la completezza matematica, anche se non è stato necessario attivarlo nelle prove.
Implementazione Open Source: Codice completo, documentato e riproducibile, disponibile su GitHub e Zenodo.

5. Significato e Impatto

Questo lavoro dimostra che i limiti di memoria riportati negli studi precedenti sulle GPU erano di natura architettonica (gestione della memoria monolitica) e non fondamentale.

Accessibilità: Permette di spingere i limiti di verifica della congettura di Goldbach su hardware consumer (schede video da gaming) invece di richiedere cluster distribuiti complessi.
Validazione Empirica: Conferma l'ipotesi sull'involucro superiore del primo minimo di Goldbach ( $H(x)$ ) fino a $10^{12}$ , rafforzando la comprensione della distribuzione delle partizioni di Goldbach.
Futuro: Il framework pone le basi per futuri lavori che potrebbero spingere la verifica fino a $10^{15}$ su una singola GPU, potenzialmente adottando strategie di "bulk-marking" bit-wise simili a quelle di Oliveira e Silva per ridurre ulteriormente la complessità computazionale.

In sintesi, GoldbachGPU rappresenta un passo avanti significativo nella computazione ad alte prestazioni applicata alla teoria dei numeri, rendendo accessibili verifiche su larga scala che erano finora appannaggio esclusivo di infrastrutture distribuite massive.