A Lock-Free, Fully GPU-Resident Architecture for the Verification of Goldbach's Conjecture

Each language version is independently generated for its own context, not a direct translation.

Gouden Getallen en Supercomputers: Hoe een Nieuwe Uitvinding het Goudbach-probleem Oplost

Stel je voor dat je een gigantische puzzel moet oplossen. De puzzel is het Goudbach-vermoeden: een wiskundige stelling die zegt dat elk even getal groter dan 2 (zoals 4, 6, 100 of een miljard) altijd kan worden geschreven als de som van twee priemgetallen. (Bijvoorbeeld: 10 = 3 + 7). Wiskundigen weten al eeuwen dat dit waarschijnlijk waar is, maar ze hebben het nog nooit bewezen voor alle mogelijke getallen.

Om dit te bewijzen, moeten computers elke even getal controleren. Dat is een enorm zware klus. In het verleden waren computers te traag of hadden ze te weinig geheugen om verder te komen dan een bepaald punt.

Dit artikel beschrijft een nieuwe, revolutionaire manier om dit te doen met moderne videokaarten (GPUs). Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Oude Probleem: De "Verkeersopstopping"

Stel je voor dat je een fabriek hebt met een super-snel robotarm (de GPU) die blokken moet sorteren.

Het oude systeem: De robotarm was zo snel dat hij in een fractie van een seconde klaar was. Maar hij moest wachten op een mens (de CPU) die de blokken uit een magazijn haalde en via een smalle gang (de PCIe-kabel) naar de robot bracht.
Het resultaat: De robot stond 99% van de tijd stil en wachtte op de mens. Het was net als een Formule-1-auto die vastzit in een file. Het toevoegen van een tweede robotarm hielp niet, omdat de mens nog steeds te traag was om beide te voeden.

2. De Nieuwe Oplossing: De "Zelfvoorzienende Robot"

De auteur van dit paper, Isaac Llorente-Saguer, heeft een oplossing bedacht waarbij de robotarm helemaal niet meer hoeft te wachten.

De Keuken in de Robot: In plaats van dat de mens de ingrediënten brengt, heeft hij een kleine, supersnelle keuken (het L1 shared memory) direct in de robotarm gebouwd. De robot pakt nu zijn eigen ingrediënten, bereidt ze voor en sorteert ze, allemaal binnen zijn eigen werkplek.
Geen file meer: Er is geen file meer. De robot werkt non-stop. Dit is wat de auteurs "lock-free" noemen: er zijn geen wachtlijnen of blokkades.

3. Het Teamwerk: De "Dief van Werk"

Wat als je meerdere robots (meerdere videokaarten) hebt? Soms is de ene robot sneller dan de andere.

Het oude probleem: Je gaf elke robot een vast aantal blokken. Als robot A klaar was en robot B nog niet, zat robot A te wachten.
De nieuwe methode: Ze gebruiken een "Work-Stealing Pool" (een werk-diefstal-pool). Stel je een grote bak met taken voor. Zodra een robot klaar is met zijn stapel, steelt hij direct de volgende taak uit de bak.
- Snelle robots doen meer werk.
- Langzamere robots doen wat ze kunnen.
- Niemand staat ooit stil. Dit zorgt ervoor dat 4 robots bijna net zo snel werken als 4 keer één robot (98,6% efficiëntie).

4. De Resultaten: Snelheid en Veiligheid

Met deze nieuwe architectuur zijn de resultaten verbazingwekkend:

Snelheid: Op dezelfde computer is het nieuwe systeem 45 keer sneller dan het oude systeem voor grote aantallen getallen.
Record: Het systeem kan het Goudbach-vermoeden controleren tot 10 triljoen ($10^{13}$) in slechts 2 minuten en 13 seconden met vier krachtige videokaarten (RTX 5090).
Veiligheid: Omdat computers soms fouten maken bij heel grote getallen (zoals een rekenmachine die "overloopt"), heeft de auteur speciale "veiligheidsriemen" (mathematische controles) toegevoegd. Deze garanderen dat de resultaten tot aan een gigantisch getal ($1,84 \times 10^{19}$) 100% betrouwbaar zijn.

5. Waarom is dit belangrijk?

Tot nu toe moesten supercomputers jarenlang werken om dit soort getallen te controleren. Met deze nieuwe methode kan een enkele krachtige computer (of een klein cluster) dit in minuten doen.

Het bewijst dat we de beperkingen van hardware kunnen overwinnen door slimme software-architectuur.
Het maakt het mogelijk om in de toekomst nog veel grotere getallen te testen, misschien zelfs tot het punt waar een wiskundig bewijs gevonden kan worden.

Samenvattend:
De auteur heeft een fabriek ontworpen waar de robots niet meer hoeven te wachten op hun voedsel, maar zelf hun eigen lunchpakketten maken. Hierdoor werken ze ononderbroken, in perfecte harmonie, en lossen ze een eeuwenoud wiskundig raadsel op met een snelheid die voorheen onmogelijk leek. En het beste van alles? De code is gratis beschikbaar voor iedereen om te gebruiken!

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het paper "A Lock-Free, Fully GPU-Resident Architecture for the Verification of Goldbach's Conjecture" in het Nederlands.

Titel: Een Lock-Free, Volledig GPU-Resident Architectuur voor de Verificatie van de Vermoeden van Goldbach

Auteur: Isaac Llorente-Saguer (Onafhankelijk Onderzoeker, Londen)
Datum: 10 maart 2026

1. Het Probleem

Het vermoeden van Goldbach stelt dat elk even getal groter dan 2 kan worden geschreven als de som van twee priemgetallen. Hoewel er theoretische vooruitgang is geboekt (zoals Chen's theorema), blijft het binair vermoeden onbewezen. Computergestuurde verificatie is essentieel om empirische onderbouwing te bieden.

Eerdere GPU-implementaties (zoals beschreven in het voorgaande werk [4]) ondervonden twee hoofdproblemen:

VRAM-beperkingen: Monolithische opslag van priemtabellen leidde tot geheugentekort. Dit werd opgelost door een "segmented double-sieve" aan te nemen, maar dit introduceerde een nieuw knelpunt.
Host-Device Bottleneck: In de vorige architectuur moest de CPU elk segment van het zeefproces (bitset) construeren en via de PCIe-bus naar de GPU transfereren. Op moderne, snelle GPU's (zoals de RTX 3090 of H100) waren de kernels klaar in fracties van een milliseconden, waarna de GPU inactief wachtte op de CPU. Dit maakte het systeem I/O-beperkt in plaats van rekenkracht-beperkt, waardoor het toevoegen van extra GPU's geen significant snelheidswinst opleverde.

2. Methodologie en Architectuur

Het paper introduceert GoldbachGPU v2.0, een architectuur die de volledige afhankelijkheid van de host-processor elimineert en het zeefproces volledig naar de GPU verplaatst.

A. GPU-Native Segment Sieving via L1 Shared Memory

Verplaatsing van het zeefproces: In plaats van dat de CPU het zeefpatroon bouwt, wordt het "segmented Sieve of Eratosthenes" volledig op de GPU uitgevoerd.
Tiling in L1 Shared Memory: Het segment wordt opgedeeld in tegels van 32.768 oneven getallen (4 KB bitset). Deze passen perfect in de 48 KB L1 shared memory van moderne GPU-architecturen (Ada Lovelace/Blackwell).
Efficiëntie: Threads werken samen om tegels te zeven met een permanent resident array van basis-priemgetallen. De resultaten worden direct naar het globale VRAM-buffer geschreven.
Resultaat: Dit elimineert de PCIe-overdracht van het kritieke pad. De CPU hoeft alleen een 8-byte atomische startindex te sturen en ontvangt een 4-byte resultaat (aantal niet-geverifieerde getallen).

B. Lock-Free Asynchrone Work-Stealing Pool

Dynamische Werkverdeling: Static workload partitioning (vast toewijzen van taken aan GPU's) is inefficiënt bij heterogene clusters vanwege variaties in snelheid (thermische throttling, silicon binning).
Implementatie: Een enkele atomische 64-bit teller (g_next_seg_start) in het host-geheugen dient als werkqueue. Elke GPU-worker thread claimt het volgende segment via een fetch_add-operatie.
Voordeel: Dit garandeert een bijna 100% benutting van alle accelerators zonder mutex-contensie en balanceert de last automatisch als GPU's verschillende snelheden hebben.

C. Fase 2: Geoptimaliseerde CPU Fallback

Als een getal niet direct kan worden geverifieerd met kleine priemgetallen ( $p \le P_{SMALL}$ ), wordt het teruggegeven aan de CPU.
De nieuwe versie gebruikt een binaire zoekopdracht in een vooraf berekende lijst van priemgetallen tot $10^8$. Als nodig, wordt een deterministische 128-bit Miller-Rabin-test uitgevoerd.
In de praktijk wordt deze fallback zelden gebruikt voor de getallenbereik die wordt getest, omdat het "Goldbach-comet" patroon garandeert dat een oplossing met kleine priemgetallen bestaat.

D. Correctheid en Veiligheid

Overflow-bescherming: Om stille 64-bit overflows te voorkomen, worden strikte wiskundige grenzen ingesteld (bijv. gebruik van deling in plaats van vermenigvuldiging voor grenswaarden).
Miller-Rabin Oracle: Gebruik van een deterministische 12-basis witness-set die gegarandeerd foutloos is voor alle $n < 2^{64}$ .
Theoretische bovengrens: Het framework is wiskundig gegarandeerd geldig tot $1.84 \times 10^{19}$.

3. Belangrijkste Resultaten

A. Algorithmische Snelheidswinst

Op identieke hardware (een enkele NVIDIA RTX 5090) toont de nieuwe architectuur een enorme verbetering ten opzichte van de vorige host-gekoppelde versie (v1):

Bij $N = 10^9$ : 13.2x sneller.
Bij $N = 10^{10}$ : 45.6x sneller.
De snelheidswinst neemt toe naarmate $N$ groeit, wat bevestigt dat de oude architectuur I/O-beperkt was en de nieuwe rekenkracht-beperkt.

B. Multi-GPU Schaalbaarheid

De lock-free work-stealing pool zorgt voor uitzonderlijke schaalbaarheid:

2 GPU's: 99.7% parallelle efficiëntie.
4 GPU's: 98.6% parallelle efficiëntie.
Totale Prestaties:
- Verificatie tot $10^{12}$: 36.5 seconden op één RTX 5090.
- Verificatie tot $10^{13}$: 133.5 seconden op een systeem met vier RTX 5090's.
Geen enkele "Phase 2" fallback werd geactiveerd tijdens de tests, wat bevestigt dat de keuze voor $P_{SMALL} = 10^6$ optimaal is voor dit bereik.

C. Communicatiekosten

Host-naar-Device: Alleen een constante batch van kleine priemgetallen (~628 KB per segment).
Device-naar-Host: Slechts 4 bytes per segment (de teller van niet-geverifieerde getallen).
Dit resulteert in een "Zero-Copy Fast Path" waarbij de PCIe-bus tijdens de normale verificatie nauwelijks wordt gebruikt.

4. Betekenis en Toekomstperspectief

Paradigmaverschuiving: Dit werk bewijst dat het zeefproces voor Goldbach-verificatie volledig kan worden gemigreerd naar de GPU, waardoor de CPU volledig uit de kritieke loop wordt gehaald. Dit maakt het mogelijk om grote clusters van GPU's te gebruiken zonder dat de CPU de snelheid beperkt.
Reproduceerbaarheid: Alle code is open-source en draait op standaard hardware. De resultaten zijn reproduceerbaar via een CLI-interface die ondersteuning biedt voor gedistribueerde taken (via --start en --gpus).
Beperkingen: De huidige implementatie is beperkt tot 64-bit getallen (bovengrens $\approx 1.84 \times 10^{19}$ ). Voor grotere getallen zou een overstap naar 128-bit of 256-bit rekenkracht en andere priemtesten (zoals Baillie-PSW) nodig zijn.
Toekomstig werk: De auteurs suggereren het gebruik van "Bitwise bulk-marking" (vergelijkbaar met CPU-implementaties) om de geheugendoorvoer verder te optimaliseren, en het gebruik van CUDA Graphs om kernel-launch overhead te verminderen.

Conclusie:
Dit paper presenteert een doorbraak in de computationele getaltheorie door een volledig GPU-resident, lock-free architectuur te ontwikkelen die de verificatie van het vermoeden van Goldbach versnelt met een factor 45.6 en bijna lineaire schaalbaarheid over meerdere GPU's mogelijk maakt, terwijl het wiskundige geldigheid garandeert tot $10^{19}$.