Страница 1 из 2

Выпуск платформы для распределённых вычислений BOINC 7.4

Добавлено: 16 ноя 2014, 12:30
[Ботя]
--------
Размещено: Сегодня, 09:04

Выпущена версия 7.4 платформы для распределённых вычислений BOINC. Проект разрабатывается Университетом Беркли и служит для организации работы десятков проектов добровольных вычислений, таких как SETI@home, Climateprediction.net, Rosetta@home и World Community Grid. Установив BOINC пользователь имеет возможность пожертвовать неиспользуемые на его компьютере вычислительные ресурсы для выполнения порции полезных научных расчётов. В итоге формируется распределённая Grid-сеть из систем добровольцев, которая помогает решать различные научные задачи, требующие большого объёма вычислений. Выбор проектов, которым передаются свободные ресурсы, осуществляется на усмотрение пользователя. В свою очередь, исследователи имеют возможность запустить сервер BOINC и привлечь пользователей к решению своих задач. Код платформы распространяется под лицензией LGPL.

Подробнее...

Выпуск платформы для распределённых вычислений BOINC 7.4

Добавлено: 03 мар 2020, 19:17
????????.??????????
Эх, ухнем! Распределенные вычисления вчера и сегодня…

Принцип параллельного проведения расчетов – один из тех, что буквально «витают в воздухе». И это естественно, ведь любую работу удобней выполнять сообща. Параллельные вычисления появились задолго до первой ЭВМ, однако идея расцвела именно в компьютерную эпоху, ведь именно тогда появились и задачи, требующие большой вычислительной мощности, и устройства, готовые «всем миром» эту мощность предоставить. В эти дни исполняется ровно 15 лет с моего первого знакомства с проектами распределенных вычислений – хороший повод, чтобы написать об их истории и сегодняшнем дне.


Краткое теоретическое предисловие
Немного теории для тех, кто ранее не интересовался распределенными вычислениями. Проект подобного рода предполагает, что вычислительная нагрузка распределяется между компьютерами-клиентами, чем их больше, тем лучше. Необходим также центр управления, его функции состоят в следующем:

• Раздача «сырых» кусочков клиентам и прием от них результатов обработки;
• Контроль потерянных и неверно посчитанных фрагментов;
• Интерпретация полученных кусочков в свете общей цели;
• Подсчет и визуализация статистики.

Итак, программа, установленная на клиенте, получает кусочек задания, выполняет его и отсылает результат в центр. В первых проектах блоки пересылались вручную, по e-mail, потом транспортная функция была полностью автоматизирована, было бы подключение к интернету (что в конце 90-х, впрочем, не звучало так банально, как сейчас). По большому счету, из всех компонентов компьютера программа использует только процессор, так сказать, «подчищая» его незадействованный ресурс. Приложение-клиент работает с низким приоритетом, не мешая остальным, однако, есть, конечно, у стопроцентной утилизации и отрицательные стороны: прежде всего, повышенное энергопотребление и тепловыделение ПК.
Несмотря на кажущуюся простоту, создать систему распределенных вычислений до появления типовых решений было задачей нетривиальной – ведь надо было как минимум написать клиенты под несколько операционных систем и управляющий сервер, да так, чтобы это все вместе еще и работало. Некоторые проекты так и не смогли преодолеть «детские болезни» и не достигли своих целей. Однако существовали и вполне успешные – один из таких и затянул меня на без малого 5 лет.


Эпоха distributed.net
Итак, начало 1998 года. Один из моих коллег по тогдашней работе, человек увлекающийся и азартный, рассказывает нам о невиданном чуде: проекте, объединяющем компьютеры со всего мира в единую вычислительную сеть. Идея как-то сразу всем приглянулась, включая техническое руководство – и процесс пошел. В нашем распоряжении было тогда около сотни рабочих станций и десяток серверов, и практически все они были пущены в дело.
Проект, в который мы вошли, назывался Bovine RC5. Как следует из названия, его идея – атака с помощью «грубой силы» (простого перебора вариантов) на алгоритм шифрования RC5. Первый ключ был 40-битным – его «расковыряли» за три с небольшим часа. 48-битный продержался 13 дней, 56-битный – 265 дней. На момент нашего подключения проект находился в 64-битной фазе, она продолжалась почти 5 лет.
Bovine RC5 быстро набрал популярность. Организаторы проекта, сообщество distributed.net, сумели правильно определить главную движущую силу процесса – азарт участников. Движуха приобрела глобальный масштаб: команда соревновалась с командой, страна – со страной. «Догнать и перегнать» стала практически смыслом жизни для сотен тысяч человек, а для русских, как водится, еще и чем-то вроде национальной идеи. Каждое утро начиналось для нас с просмотра командной и глобальной статистики, клиент RC5 ставился на любой компьютер, который попадал к нам в руки. Дошли до того, что запускали «коровок» на чужих серверах, до которых была удаленка – до первого конфликта.


Интерфейс клиента distributed.net почти не изменился за время существования проекта

После завершения 64-битной фазы интерес к проекту стал угасать, прежде всего потому, что следующая, 72-битная, обещала быть очень долгой. Предчувствия нас не обманули: она продолжается уже более 10 лет, за это время проверено лишь чуть более 2,5% пространства ключей. Скорее всего, до 80-битного ключа дело уже не дойдет, хотя вычислительная мощность компьютеров за время проекта и возросла многократно. Что ни говори, а предполагаемая продолжительность этапа в 400 лет определенно пугает.


Считаем линейки и ищем инопланетян
Bovine RC5 можно отнести скорее к спортивным соревнованиям, нежели к способу решения каких-то реальных вычислительных задач, тем более что затеявшая его RSA сама впоследствии от него открестилась. Есть, впрочем, у distributed.net и более ценный для науки проект: расчет оптимальных линеек Голомба, однако с каждой новой единицей длины линейки он также скрипит все больше.
Естественно, сообществом distributed.net организаторы проектов добровольных распределенных вычислений не исчерпываются. Напротив, в мире сейчас насчитывается не менее сотни активных проектов, некоторые из которых также имеют богатую историю: так, с 1996 года идет поиск простых чисел Мерсенна, а в 1999 году начался проект SETI@home, где на основе расшифровки данных радиотелескопов SETI изучается вопрос, есть ли жизнь на Марсе во Вселенной. Всего же, как уже говорилось, вариантов буквально «несть числа»: тут и поиск лекарств от самых страшных болезней, и совершенствование Большого Адронного Коллайдера, и изучение трехмерной структуры белка, и решение многочисленных математических проблем и гипотез… вам предоставляется огромный выбор, в каком проекте участвовать, и можно утверждать на 100%: для процессора своего ПК вы нагрузку обязательно найдете – к вящему удовольствию обоих. Не забывайте только следить за температурой.


Клиент BOINC выгодно отличается от всех прочих наличием дизайна

Важным событием в жизни «распределенного» сообщества стало появление в 2005 году платформы BOINC (Berkeley Open Infrastructure for Network Computing) производства краснознаменного Калифорнийского университета в Беркли, как у них водится – с открытым исходным кодом. BOINC представляет собой готовую обвязку (типовые серверные компоненты + клиент) для проектов по сетевым вычислениям, которая значительно облегчает их запуск, хотя и не избавляет полностью от умственного труда, поскольку ряд серверных модулей необходимо готовить под конкретную задачу. Зато клиент, можно сказать, готов почти полностью, отлаженный и красивый. Более того, он позволяет участвовать сразу в нескольких BOINC-совместимых проектах. Получается эдакая связка разнородных, но объединенных технологически задач, что идет на пользу и самим задачам, и идеологии в целом.

Закончить хотелось бы опять на лирической ноте. Возможно, распределенные вычисления – это не самый оптимальный способ потратить имеющиеся у вас процессорные мощности. Но, если подумать, другие способы ведь еще менее оптимальны? Зато почувствовать себя членом команды – более легкого пути, пожалуй, нет. Моя «карьера» в этой области закончилась в 2004 – почти 9 лет назад. И вот сюрприз: сейчас, когда писал этот пост, зашел в статистику своей команды – представляете, она до сих пор жива и по-прежнему занимает первое место в нашем регионе. Не перевелись еще на Руси увлеченные люди!
Я приглашаю всех, кто когда-либо участвовал в проектах по распределенным вычислениям, откликнуться и дополнить мой рассказ – может быть, я чего-то пропустил?
http://www.boinc.ru
http://forum.boinc.ru/default.aspx?g=mytopics
http://boinc.berkeley.edu/download.php
http://www.boinc.ru/doc/boinc/boinc_setup.htm

Выпуск платформы для распределённых вычислений BOINC 7.4

Добавлено: 06 мар 2020, 18:56
????????.??????????
Исследователи проекта «Иммунитет к микробиомам» создали новый метод прогнозирования функции белка
Исследовательская группа по проекту «Микробиомный иммунитет»
20 января 2020 г.
Проект «Иммунитет к микробиомам» (на данный момент) выявил почти 275 000 уникальных белковых структур, вернул более 430 миллионов рабочих единиц и привел к созданию важной новой научной методики.
https://youtu.be/iOJe2Ym2hcE
Растущее количество уникальных белковых структур
Благодаря активному участию волонтеров World Community Grid в рамках проекта «Иммунитет к микробиомам» на сегодняшний день выявлено почти 275 000 уникальных белковых структур. Вы продолжаете помогать нам генерировать новые результаты быстрее, чем когда-либо!
Наш новый метод предсказания функции белка
https://www.worldcommunitygrid.org/rese ... details.do
Помимо создания и отправки рабочих блоков, в течение последних шести месяцев мы усердно работали над созданием нового метода прогнозирования функции белка, который использует как последовательность белка, так и его структуру. Понимание функции белка важно, потому что это знание помогает ученым исследовать, как бактериальные белки взаимодействуют друг с другом и их хозяевами, и определять, какие белки или биохимические пути могут играть роль при любом количестве заболеваний.
Новый метод, который мы разработали, более эффективен, чем любой другой метод, разработанный до сих пор, потому что он использует информацию о структуре белка, что крайне важно для понимания того, как работает биология. На сегодняшний день современные методы опирались только на информацию о последовательности белка, отчасти из-за технологических ограничений и потому, что исследователи никогда не имели доступа к достаточному количеству данных о структуре белка, чтобы сделать такие прогнозы широко применимыми. Мы решили обе эти проблемы; технологический подход был решен путем разработки передового метода глубокого обучения, использующего графические сверточные нейронные сети, который обеспечивает превосходную предсказательную силу; и проблема с доступностью данных, заручившись вашей помощью в рамках проекта «Микробиомный иммунитет» и создав коллекцию трехмерных структурных моделей белка беспрецедентного масштаба.
Самая уникальная и важная особенность нашего метода заключается в том, что он одинаково хорошо работает с экспериментальными трехмерными структурами и вычислительными моделями, подобными тем, которые мы генерируем в рамках проекта невосприимчивости к микробиомам. Вот почему они идеально подходят друг к другу: наш современный метод прогнозирования функций и результаты проекта по устойчивости к микробиомам. Примечательно, что в настоящее время наш метод является единственным, в котором используются трехмерные структуры.
Мы так взволнованы нашим новым методом прогнозирования функций, что поделились нашими результатами в режиме онлайн в виде препринта, который вы можете прочитать здесь. Сейчас мы работаем над полной статьей, которую планируем представить в рецензируемый журнал. Мы сообщим всем, как только он будет опубликован. https://www.biorxiv.org/content/10.1101/786236v1

Следующие шаги
В настоящее время мы планируем аннотировать все известные данные о микробиоме кишечника человека, используя нашу новую методологию в сочетании с результатами проекта «Микробиомный иммунитет». Это даст нам более качественные и более полные данные, которые помогут нам и, в конечном счете, другим исследователям, лучше понять, как работает микробиом.
Мы ценим вашу поддержку этого проекта!

Выпуск платформы для распределённых вычислений BOINC 7.4

Добавлено: 07 мар 2020, 14:53
????????.??????????
Разработка AstroQuest
Как мы использовали научную коммуникацию для разработки AstroQuest
Кристиан Полсон-Браун
Проектирование AstroQuest было трудом любви для команды здесь, в ICRAR, и мы хотим немного отодвинуть занавес о том, как проект на самом деле объединился.
На протяжении всего развития мы стремились достичь двух основных результатов - максимизировать удовольствие и вовлечение наших добровольцев и производить ценные научные данные для астрономов. Выяснить, как лучше всего достичь этих целей, было удивительно сложно, и вполне естественно, вполне научно. В конце концов, существует целая дисциплина, называемая научным общением, которая занимается именно этими вопросами. Какой самый эффективный способ вовлечения общественности в науку? Как мы поощряем участие при обеспечении научной ценности данных? И как мы проверяем наши идеи, чтобы убедиться, что они достигнут наших целей?
Вовлечение общественности
Хотя научная коммуникация все еще молода для научной дисциплины, она уже эволюционировала благодаря ряду значительных изменений в своей основной философии.
В начале научное общение было сосредоточено на довольно простой передаче научной информации от ученых общественности. Не было большого интереса к тому, что чувствовала публика, очень мало диалога между партиями и еще меньше сотрудничества! Со временем научное общение отошло от идеи, что людям просто нужно рассказывать факты, и к поощрению участия, энтузиазма и увлечения наукой.
Из этого сдвига возникла захватывающая эпоха «гражданская наука», когда не ученые сотрудничают напрямую с учеными для производства или анализа данных, а обычные люди сотрудничают между собой участвуя в различных распределенных вычислениях. Гражданская наука помогает разрушить заблуждение, что наука предназначена только для ученых; наука существует для всех и каждый может принять посильное участие в развитии науки!
Некоторые утверждают, что поскольку гражданская наука использует добровольцев, которые не являются подготовленными учеными, эти данные могут быть низкого или непоследовательного качества. Хотя справедливо, простое решение состоит в том, чтобы научить наших добровольцев основную информацию, которую они должны знать, чтобы получить качественные данные. В AstroQuest мы включили простые для понимания учебные пособия, и основная задача проверки галактик настолько проста, что любой, молодой или старый человек, сможет ее выполнить. Мы сохранили инструмент рисования простым и сделали его похожим на основные программы рисования, с которыми большинство из нас знакомо. Мы также представляем готовые примеры от реальных астрономов в качестве руководства.
Мудрость толпы
Как и многие гражданские научные проекты, AstroQuest опирается на интересный принцип, известный как «мудрость толпы». Это изучаемый эффект, при котором усреднение решений проблемы из группы не экспертов может быть таким же или лучшим, чем экспертное решение. Подумайте о старой поговорке «две головы лучше, чем одна», но масштабируйте ее до сотен или тысяч добровольцев, работающих вместе!
Чтобы добиться этого в AstroQuest, мы показываем одну и ту же галактику нескольким добровольцам, и у каждого есть шанс дать лучший ответ. Чтобы сохранить разумность эффекта толпы, нам необходимо выполнить несколько условий, таких как равное отношение к каждой попытке, а не раскрытие решений от других пользователей. Несоблюдение этих условий может привести к искажению данных, чего мы определенно хотим избежать. Но если все идет по плану, компьютер объединяет все решения, и результаты, которые мы получаем, могут быть даже лучше, чем если бы у астронома был шанс!
Gamification (Геймификация науки)
Система квестов является частью того, что отличает AstroQuest от его предшественника, Galaxy Explorer. Мы разработали систему квестов, чтобы учесть преимущества идеи под названием «геймификация».
Геймификация - это добавление игровых элементов к задачам, в которых они обычно не встречаются, например, к исследованию астрономии! Вместо того, чтобы участники работали с данными галактики, мы хотели дать нашим добровольцам чувство выполненного долга и некоторые награды за их тяжелую работу.
Исследования показали, что геймификация гражданской науки может побуждать добровольцев возвращаться чаще, вносить больший вклад и иметь больше позитивных чувств к проекту. Некоторые из нас в команде заядлые геймеры, поэтому неудивительно, что мы попытаемся привнести в проект немного игрового таланта!
Тестирование AstroQuest
Как только команда получила четкое представление о том, чего мы хотим достичь с помощью AstroQuest, все еще оставалась задача убедиться, что все будет объединено и имеет смысл! Мы создали раннюю версию сайта и провели серию тестовых сессий с помощью некоторых добровольцев. Эти занятия помогли нам понять, что работает, что нам нужно изменить, а что нужно улучшить. Наши волонтеры даже помогли нам придумать новые идеи, о которых мы никогда бы не подумали без их участия.
Мы надеемся, что вам понравилось, что мы распаковали некоторые идеи научной коммуникации, которые мы включили в дизайн AstroQuest, чтобы попытаться сделать его нашим лучшим гражданским научным проектом. Ваш вклад очень важен для нас, независимо от того, насколько он мал, и мы надеемся увидеть вас снова для любых проектов, которые мы разработаем в будущем. Если вы хотите быть в курсе новостей нашей команды, пожалуйста, следите за нами в Twitter или ставьте лайки в Facebook.
Руководство по AstroQuest
История AstroQuest, как она работает и почему нам нужны гражданские ученые, чтобы помочь.
Наши волонтеры присоединяются к длинной линии гражданских исследователей в астрономии.
История AstroQuest начинается более ста лет назад, когда обсерватории нанимали добровольцев для проверки стеклянных пластин и выявления любых звезд, туманностей или галактик, которые они могли найти. Эти добровольцы, многие из которых были женщинами, были известны как «компьютеры», потому что они были необходимы для анализа огромных объемов данных, которые астрономы просто не могли отследить.
В наше время астрономы используют новейшие технологии для исследования огромного количества галактик и собрали огромное количество данных. Прежде чем астрономы смогут сделать какие-либо исследования о галактиках из этих обзоров, они должны выяснить, где именно находятся галактики на каждом изображении. Как и в первые дни, для астрономов это слишком большая работа, поэтому они разработали компьютерные алгоритмы для ускорения работы. И, как и прежде, они также просят людей-добровольцев помочь.
Компьютерный разум за AstroQuest, и почему мы нуждаемся в вашей помощи.
В нашем предыдущем проекте, Galaxy Explorer, гражданским ученым было предложено классифицировать галактики и установить вокруг них кольца. В AstroQuest то, что мы просим гражданских ученых сделать, совсем другое. Это потому, что алгоритм, используемый для поиска галактик на изображениях, изменился.
Форма большинства галактик обычно довольно хорошо вписывается в круг или эллипс, но некоторые изображения галактик могут быть очень странной формы. Например, галактики, которые сталкиваются, могут быть очень нерегулярными, и некоторые галактики перекрываются на изображении звездами и другими объектами, которые попали на пути.
Новый алгоритм пытается найти фактическую форму галактики на изображении, и вместо того, чтобы подогнать кольцо вокруг него в качестве приближения, он окрашивает в реальные формы, которые он нашел.
Во многих случаях компьютерный алгоритм дает правильный результат - окрашивание центральной галактики на изображении одним цветом и любые перекрывающиеся объекты в разные цвета. Одна вещь, которую мы просим вас сделать, - это осмотреть каждую галактику и сообщить нам, когда компьютер все сделал правильно.
Однако существуют случаи, когда алгоритм не дает правильного ответа. Иногда он думает, что разные части одной и той же галактики на самом деле являются отдельными галактиками. Астрономы называют это «измельчением» галактики. Мы бы хотели, чтобы вы собрали эти галактики вместе, раскрасив их всех одним цветом.
Другой пример - когда объекты, такие как звезды и другие галактики, перекрывают галактику в центре изображения. Иногда компьютер думает, что это один и тот же объект и делает их одного цвета. Поэтому, если вы видите такие изображения, мы бы хотели, чтобы вы перекрасили перекрывающийся объект другим цветом.
Вы заметите, что изображения, с которыми вы работаете, довольно «шумные» - на них много точек разных цветов. Часть задачи по поиску галактики на каждом изображении состоит в том, чтобы определить, где находится край галактики, даже если он нечеткий и может быть скрыт в шуме. Никто не может знать наверняка, где на самом деле преимущество, но вам не нужно беспокоиться об этом. «Мудрость толпы» означает, что, когда толпа людей пытается угадать ответ, их объединенные догадки будут действительно близки к правильному ответу. Так что просто делай то, что считаешь правильным.
Сообщите нам, когда вы считаете, что компьютер получил правильный ответ, и приложите все усилия, чтобы исправить догадки компьютера, когда вы считаете, что он ошибается, очень помогут астрономам. Они могут использовать ваши результаты для улучшения алгоритма, используемого для поиска галактик в этих огромных исследованиях, и даже могут использовать ваши ответы для обучения новым алгоритмам машинного обучения, чтобы сделать эту работу лучше и быстрее. Итак, давайте посмотрим, сколько квестов вы можете выполнить!
Если вы хотите узнать больше о женщинах, которые работали «компьютерами» более ста лет назад, нажмите здесь.
https://maas.museum/observations/2018/0 ... computers/
http://astroquest.net.au/science/guide-to-astroquest/
https://twitter.com/ICRAR
https://www.facebook.com/ICRAR/

Выпуск платформы для распределённых вычислений BOINC 7.4

Добавлено: 08 мар 2020, 12:14
????????.??????????
SETI@Home закрывается спустя 21 год — проекту больше не нужна вычислительная мощь
Научно-популярное, Астрономия
[spoiler]SETI@Home закрывается спустя 21 год — проекту больше не нужна вычислительная мощь
Научно-популярное, Астрономия
Проект SETI@Home прекратит работу 31 марта, сообщается на официальном сайте. По словам представителей исследовательского центра, SETI, проект перестанет передавать добровольцам полученные данные для анализа, поскольку больше нет необходимости в дополнительной вычислительной мощи от пользователей.
Исследователи сообщили, что работа над всеми данными, которые было нужно обработать, завершена, и теперь они сосредоточатся на собственном анализе уже полученной за два десятилетия информации. SETI@Home войдёт в спящий режим, а все сотрудники, которые занимались распределением данных на компьютеры добровольцев, займутся внутренним анализом, на который требуется много времени. По завершении работы исследователи опубликуют результаты в научной статье.
Это не означает, что проект полностью закроется. Веб-сайт и форумы SETI@Home останутся открытыми, а в будущем его могут начать использовать в других научно-исследовательских проектах — например, по космологии и изучению пульсаров. Если будет найден подобный проект, нуждающийся в дополнительной вычислительной мощи, команда SETI@Home уведомит об этом пользователей и проект снова начнёт работу.
Проект SETI@Home основали в 1999 году для помощи исследовательскому центру SETI в поиске признаков внеземной жизни. Исследователи предложили добровольцам предоставить вычислительную мощь своих компьютеров для обработки данных о радиосигналах из космоса, полученных радиотелескопом Аресибо в Пуэрто-Рико и телескопом Грин-Бэнк в Западной Виргинии, США. Любой владелец ПК мог использовать его для проекта, запуская вычисления, например, вместо экранной заставки. К 2020-му году SETI@Home насчитывал около 1,8 миллиона пользователей.
За 21 год проект получил информацию о миллиардах обработанных волонтерами радиосигналах из космоса, рассказал The Register соучредитель SETI@Home Дэвид Андерсон. По его словам, сейчас он вместе с командой с некоторой долей облегчения и волнения готовится к следующему этапу работы. Маловероятно, что в полученных за два десятилетия данных будут найдены сигналы от внеземной жизни, однако даже в таком случае информация может оказаться полезной — например, на её основе можно высчитать нижний порог энергии радиоизлучения, которое могло бы исходить от внеземных цивилизаций, отмечает Андерсон.
На момент начала проекта исследователи предполагали, что инопланетная жизнь, если она существует и обладает разумом, рано или поздно начнёт использовать радиосвязь. Основываясь на этом, SETI начала изучать сигналы, поступающие из космоса. Если в них будут присутствовать периодически повторяющиеся элементы, их можно будет обнаружить, что косвенно подтвердило бы их происхождение от внеземных технологий. Однако в процессе исследователи столкнулись со сложностями — помимо того, что внеземные цивилизации могут находиться очень далеко и радиоизлучение от них в таком случае будет довольно слабым, оно ещё и заглушается от спутников, вышек связи и таких астрофизических явлений, как пульсары. Для этого и был создан SETI@Home — вычислительная мощь компьютеров добровольцев использовалась для фильтрации и обработки полученных с телескопов данных. Проект быстро завоевал популярность — как сообщал журнал Wired в 2000 году, всего за несколько месяцев дополнительная вычислительная мощь от компьютеров волонтёров составляла около 25 триллионов вычислений в секунду, что сделало SETI@Home в два раза мощнее, чем лучший суперкомпьютер того времени.
Официальное объявление
31 марта компьютерная часть волонтеров SETI @ home перестанет распределять работу и перейдет в спящий режим.
Мы делаем это по двум причинам:
1) С научной точки зрения, мы находимся на грани уменьшения отдачи; в основном, мы проанализировали все данные, которые нам нужны на данный момент.
2) Нам предстоит много работы по распределенной обработке данных. Мы должны сосредоточиться на завершении внутреннего анализа результатов, которые у нас уже есть, и написании этого в научной журнальной статье.
https://setiathome.berkeley.edu/nebula/index.php
Однако SETI @ home не пропадает. Веб-сайт и доски объявлений будут продолжать работать. Мы надеемся, что другие астрономы Калифорнийского университета в Беркли найдут применение огромным вычислительным возможностям SETI @ home для SETI или смежных областей, таких как космология и исследования пульсаров. Если это произойдет, SETI @ home снова начнет распределять работу. Мы будем держать вас в курсе об этом.
https://boinc.berkeley.edu/projects.php
Если вы в настоящее время используете SETI @ home на своем компьютере, мы рекомендуем вам подключаться и к другим проектам на основе BOINC. Или используйте Science United и зарегистрируйтесь, чтобы заняться астрономией. Конечно, вы можете оставаться на связи с SETI @ home, но не получите работу, пока мы не найдем новые приложения.
https://scienceunited.org/
Мы чрезвычайно благодарны всем нашим волонтерам за то, что они поддерживали нас разными способами в течение последних 20 лет. Без тебя не было бы SETI @ home. Мы рады завершить наш оригинальный научный проект и с нетерпением ждем, что будет дальше.
[/spoiler]

Выпуск платформы для распределённых вычислений BOINC 7.4

Добавлено: 14 мар 2020, 09:19
????????.??????????
Тестирование Ryzen 5 2600X (2018год) (6 ядер 12потоков) в программе Boinc.
Мне на тестирование попался новенький(2018год) Ryzen 5 2600X (6ядер 12потоков).
Удалось погонять его в течении 6-ти дней, используя все ресурсы машины.
Для наглядности, сравню его с (относительно) старым процессором Intel Core i5-3550.
- Результаты сравнения не могут быть точными (т.к. количество заданий
выдаваемых планировщиком boinc разное, разные и технические характеристики
и продолжительность вычислений, + есть множество других факторов).
Картинка-1
- Однако, мы можем примерно увидеть разницу между вычислениями на новых и устаревающих процессорах.
У компьютера №1 была большая фора продолжительности вычислений, по сравнению с компьютером №2.
- 23 дня против 6-ти.
Сравнение двух систем (1 - 2)
1)Intel Core i5-3550
2)Ryzen 5 2600X
--------------------------------------------------
1)Характеристики:
Процессор: Intel Core i5-3550 (4-ядра 4-потока
Базовая частота: 3300МГц - TB до 3700МГц
Кэш L1: 64 Кб x4
Кэш L2: 256 КБ x4
Кэш L3: 6 Мб)
Память: 8Gb DDR3 (частота 1600)
Видеокарта: NVIDIA GeForce GTX 980 (4095MB) OpenCL: 1.2
Диск: HDD 1Tb 7200 (точные характеристики не могу сказать)
Мат.плата: (не могу сказать).
2)Характеристики:
Процессор: Ryzen 5 2600X (6-ядер 12-потоков +
Базовая частота: 3600МГц - TB до 4200МГц
Кэш L1: 96 Кб x6
Кэш L2: 512 Кб x6
Кэш L3: 16 Мб)
Память: 16Gb DDR4 (частота 2400)
Видеокарта: AMD Radeon RX 560 Series (4096MB) OpenCL: 2.0
Диск: SSD patriot sata3 - 6Gbps - 240GB
Мат.плата: Gigabyte GA-A320M-S2H (чипсет AMD B350)
Пара фото:
(На обоих пк, система Windows 10 - 1909 (с последними обновлениями).
Версия BOINC 7.14.2)
Проекты были запущены на компьютерах в разное время.
1) Запущен 13 февраля 2020 по 10 марта.
(помимо этого проекта, параллельно с ним работал Einstein@home)
Вычисления продолжались 23 дня! Примерно по 8-мь часов, каждый будний день(+суббота).
Щадящие настройки, т.к. за компьютером работает пользователь.
Для boinc отдано 50% всех ресурсов.
Сам компьютер установлен в офисном помещении, температура около 25-28градусов.
2) Запущен 5 марта 2020
(вычисления продолжались с 5-го марта (время 19:20) по 10 марта (время окончания 13:00) 6-ть дней)
(помимо этого проекта, параллельно с ним, работал Einstein@home)
Настройки - максимум. 100% всех ресурсов для boinc. Работал 24/7.
Этот компьютер был установлен в серверной, температура +18 - до +20.
(разгон чего-либо не выполнялся)
--------------------------------------------------
Результаты.
Всего:
1) 20,924 (получил 242 задания - проверка 2х не завершена. Ошибок нет.)
2) 32,266 (получил 49 задания - проверка 10ти не завершена. Ошибка - 8мь.)
Н Ryzen 5 2600X, за 6-ть дней обогнал 4-х ядерный Core i5-3550 проработавший 23дня (правда не в полную силу).
Примерно через 4 часа после запуска, пк №2 использовался по полной.
>94% процессорного времени и 80% (из 16Gb) памяти занято приложениями.
Единственное, не заметил чтобы видеокарта серьезно использовалась. (хотя не часто смотрел)
В Einstein@home который был запущен одновременно на обеих машинах, такие результаты:
1) работал с 5го марта по 10 марта = 693 очка. (получил только одно задание)
2) работал с 5го марта по 10 марта = 20,693 очка. (получил 80 заданий, 21 подтверждено, 50 ошибка)
Вот такое вышло тестирование.
Эхх... Ryzen Threadripper 3990X (64 ядра), бы парочку. Дело пошло бы быстрее. 🙂
- А вообще, было бы интересно посмотреть более точное тестирование
одного из проектов, на 64 ядрах. (хотя бы в течение месяца)
P.S. Удачных всем вычислений.
Изображение
Изображение

Выпуск платформы для распределённых вычислений BOINC 7.4

Добавлено: 22 мар 2020, 11:04
????????.??????????
Помогите исследователям вылечить мышечную дистрофию, разрабатывающим новые методы расшифровки белковых взаимодействий
12 сентября 2019 г.
Резюме
Доктор Алессандра Карбоне, основной исследователь проекта Help Cure Muscular Dystrophy, недавно опубликовала статью вместе с несколькими коллегами, чтобы предложить новые методы для изучения сложностей белок-белковых взаимодействий.
Раскрытие тайн белковых взаимодействий приведет к большему пониманию многих биологических процессов и может помочь ученым лучше решать проблемы здоровья и болезней человека. Однако прогнозировать и визуализировать все возможные белковые взаимодействия очень сложно и сложно. Некоторые белковые поверхности участвуют во многих взаимодействиях с другими белками, а другие - нет. Прогнозирование природы этих белковых поверхностей продолжает оставаться проблемой.
Чтобы помочь справиться с этой сложностью, доктор Алессандра Карбон и ее коллеги, доктор Хлоя Деквекер и доктор Элоди Лэйн, провели исследование, в котором использовались результаты Help Cure Muscle Dystrophy из World Community Grid. Исследование объединяет различные типы информации для прогнозирования белковых поверхностей, которые взаимодействуют с другими белками и распутывают сложность взаимодействующих поверхностей. Их результаты были недавно опубликованы в разделе «Белки: структура, функции и биоинформатика».
Этот документ с открытым доступом содержит подробную информацию об их результатах, а также ссылки на их данные и программное обеспечение. Вы можете прочитать полный текст статьи здесь. https://onlinelibrary.wiley.com/doi/ful ... prot.25757
https://youtu.be/jc8XVP6Cjwc
https://onlinelibrary.wiley.com/doi/ful ... prot.25757
Спасибо всем волонтерам, которые помогли сделать это исследование возможным, поддержав проект Help Cure Muscular Dystrophy в исследованиях World Community Grid.

Выпуск платформы для распределённых вычислений BOINC 7.4

Добавлено: 28 мар 2020, 17:11
????????.??????????
Немного про RakeSearch - заполнения и интересная частично ортогональная пара!
Ранее [ https://vk.com/wall-34590225_292 ] мы рассказавали о новом поиске R10 в рамках проекта RakeSearch, последовавшего за поиском "перестановочных" диагональных латинских квадратов 9 ранга (он же - поиск R9). Сейчас появился повод рассказать о некоторых его деталях!
На первом из прицеплённых изображений - матрица квадрата 10 ранга, клетки которой раскрашены в несколько цветов:
- серым цветом отмечена верхняя строка с зафиксированными значениями клеток - {0, 1, 2, ..., 9} (выходить за рамки квадратов с такой строкой (они же - нормализованные квадраты) - нет смысла, т.к. ненормализованных квадрат может быть сведён к нормализованному);
- красным цветом обозначены клетки главной и побочной диагоналей, не относящиеся к первой строке;
- оранжевым цветом обозначены клетки первой и второй строки которые вместе с диагоналями и первой (фиксированной) строкой заполняются ещё на этапе генерации, workunit-а;
- зелёным цветом обозначаются клетки, заполняемые во время обработки задания на компьютере участника - вычислительный модуль, заполняя матрицу до конца, формирует всё новые и новые диагональные латинские квадраты и переставляя в них строки, пробует получить ортогональную пару из исходного (только что сформированного) ДЛК перестановкой его строк.
Как вы также можете видеть, все красные и оранжевые клетки пронумерованы в определённом порядке. Это порядок, по которому они заполняются, при формировании комбинации для очередного workunit-а. При этом, клетки самой верхней, фиксированной строки - не пронумерованы потому, что они не меняются и какая бы не получилась комбинация в других клетаках - они в ней всегда присутствуют в одном и том же виде.
Интереса ради, мы можем посчитать - сколько же возможно комбинаций, которыми можно заполнить самую первую пронумерованную клетку, или первые две, или три... и так далее. Если получившиеся числа выписать в табличку вида {Число клеток, Число заполнений} то мы получим ряд, возрастающий почти всё время (но не всё время) и с темпом, менающимся от клетки к клетке. Для первых 28 клеток, пронумерованных на изображении он получается таким:
1 - 8
2 - 57
3 - 356
4 - 1909
5 - 8544
6 - 30637
7 - 82508
8 - 148329
9 - 133496
10 - 934472
11 - 5356527
12 - 26980186
13 - 117013695
14 - 424874652
15 - 1210593966
16 - 2603495520
17 - 3755155200
18 - 2723433984
19 - 17021462400
20 - 82230388428
21 - 341712006852
22 - 1187460703344
23 - 3329849282564
24 - 7024312609228
25 - 9908083279232
26 - 7996577754080
27 - 43965973715660
28 - 212963246290200
Первые ~18 строк этой таблицы (или членов ряда - кому как больше нравится) вычисляются очень быстро - на отдельно взятое число уходят доли секунды, секунды или минуты в один поток, на уже давно выпущенном процессоре Intel Core i5-3570K. Чтобы пойти дальше, надо произвести намного больше вычислений - к примеру, для получения 28 члена ряда потребовалось ~50 суток процессорного времени CPU с архитектурой Haswell.
Но это число - 212963246290200 - интересно и другим. Как говорилось в самом начале, на первом изображении показано заполнение матрицы квадрата при генерации workunit-ов. А это значит, что каждая коминация заполнения этих клеток - это отдельный workunit. А число комбинаций, которыми мы можем заполнить эти клетки, соответственно, это и есть число workunit-ов, которые мы могли бы сгенерировать, если бы решили выполнить поиск по всему пространству ДЛК 10 ранга! Или, 212 триллионов 963 миллиарда 246 миллионов 290 тысяч 200 workunit-ов! Конечно - это слишком много и поиск будет только частичным, по небольшой части от возможно пространства.
Но даже в рамках частичного поиска, можно наткнуться на что-нибудь интересное. И об этом - новость № 2!
В каждом результате, приходящем с компьютера участника проекта, записываются пары со степенью (или "характеристикой") ортогональности более 80. И в каждом результате таких находится как минимум несколько штук. По мере обработки результатов - накапливается статистика о том, сколько пар с той или иной степенью ортогональности было обнаружено. По итогам сентября (то есть, за июль, август и сентябрь вместе взятые) она выглядела следующим образом:
Degree 81: 3887427
Degree 82: 899172
Degree 83: 181014
Degree 84: 33997
Degree 85: 5254
Degree 86: 900
Degree 87: 94
Degree 88: 16
Degree 89: 0
Degree 90: 0
...
Degree 100: 0
Хорошо видно, что переходе к следующей степени ортогональности число найденных пар уменьшается где-то в 4-6 раз. Но при переходе от степени 86 к 87 - разница уже почти в 10 раз (возможно - это временное явление и при дальнейшем накоплении статистики - мы увидим что-то иное), а после степени 88 - уже нет ничего, хотя если бы тенденция соблюдалась, мы должны были бы увидеть от 1 до 3 пар со степенью ортогональности 89!
И вот прошла первая половина октября. Что мы видим в результатах за эти две недели? А вот что:
Degree 81: 1329684
Degree 82: 330656
Degree 83: 74528
Degree 84: 14608
Degree 85: 2624
Degree 86: 400
Degree 87: 47
Degree 88: 6
Degree 89: 0
Degree 90: 1
Degree 91: 0
...
Degree 100: 0
- всё почти тоже самое - даже разрыв между степенями 86 и 87 до карикатурности похож на общую статистику, также нет ни одной пары со степенью 89... но есть 1 пара с 90! К тому же, если мы прибавим число пар с ХО = 88 (ХО - это "характеристика ортогональности", она же - "степень") найденных в первой половине октября к общей статистики, то получим 6 + 16 = 22! А ведь примерно таким (т.е. где-то 25 к 1) и должно быть, судя по статистике, соотношение числа пар на двух ступенях, отстоящих друг от друга на 2 уровня - как в случае с ХО = 88 и ХО = 90! Вот только промежуточное звено с ХО = 89 "куда-то пропало"!
Что это? Какая-то закономерность? Случайность? Что-то ещё? Увидим!
Ну, а саму пару с ХО = 90 - вы можете увидеть на втором из прикреплённых изображений. Нашли её - josef j из команды Russia Team и Thyler Durden@P3D из команды Planet 3DNow! однако вычисления каждого участника приближали эту находку. А может быть, (кто знает?) - и чего-то ещё!
www.Boinc.ru
Спасибо за участие и поддержку!

Выпуск платформы для распределённых вычислений BOINC 7.4

Добавлено: 04 апр 2020, 10:27
????????.??????????
Метагеномика помогла предсказать структуры для 614 семейств белков

Третичные структуры белков: в каждой паре слева стоит предсказание компьютерной модели, а справа — экспериментально установленная структура.
Изображение: Sergey Ovchinnikov et al./ Science
Международный коллектив ученых из США и Саудовской Аравии при помощи нескольких вычислительных методов и анализа метагеномных последовательностей предсказал трехмерные структуры 614 белковых семейств, для которых этого ранее не удавалось сделать экспериментально. Исследование опубликовано в Science.

Исследование структуры белков остается одной из самых востребованных задач в современной молекулярной биологии, так как все функции белков, параметры их взаимодействий друг с другом и прочими веществами так или иначе определяются именно пространственной структурой. Несмотря на то, что первичную структуру (последовательность аминокислот в цепи) узнать сравнительно нетрудно, восстановление из нее третичной структуры (как именно белок свернут в пространстве) оказывается крайне сложной вычислительной задачей. Экспериментально для ее решения применяются методы рентгеноструктурного анализа или спектроскопия ядерного магнитного резонанса, однако далеко не во всех случаях с их помощью удается установить структуру того или иного белка.

Одним из подходов к решению этой проблемы является гомологическое моделирование. Гомологами называют белки, имеющие общее происхождение и поэтому обладающие схожими фрагментами в аминокислотной последовательности. Два белка-гомолога обычно обладают похожей пространственной структурой за исключением небольшого числа отличающихся участков, которые уже не так сложно разрешить. Проблемой этого метода остается тот факт, что для многих белковых семейств структура не известна, поэтому нет такого гомолога, с которым можно было бы сравниться.

Пример, как анализ последовательности ДНК из коэволюционирующих организмов помогает уточнить карту взаимодействий аминокислотных радикалов.
Изображение: David de Juan et al./ Nature Reviews
В том случае, когда о структуре целевого белка не известно практически ничего, для ее предсказания применяются вычислительные методы, которые пытаются хотя бы угадать третичную структуру на основе аминокислотной последовательности. Для этого необходимо учесть все взаимодействия между всеми боковыми аминокислотными радикалами, а затем найти такую конфигурацию цепи, при которой энергия этих взаимодействий минимальна. Эта задача, если подходить к ней методом перебора, практически неразрешима даже на современных суперкомпьютерах за счет огромного числа вариантов укладки цепи. Однако это число можно значительно уменьшить, если учесть многие локальные особенности, характерные для большинства белковых цепей. Например, можно построить «карты», указывающие на то, какие аминокислоты часто находятся рядом, а какие — наоборот, стремятся оттолкнуться.
Недавно исследователями был предложен один из самых эффективных методов уменьшения пространства перебора укладки белковой цепи, который основан на анализе мутантных гомологичных последовательностей. Идея метода заключается в том, что довольно часто случайные мутации аминокислот в белковой цепи сопровождаются возникновением других, компенсаторных мутаций, которые нивелируют негативный эффект исходной мутации. Например, появление в цепи аминокислоты с крупным боковым радикалом может компенсироваться уменьшением размера радикала в соседней области, что позволяет сохранить общую укладку цепи. Такая ко-эволюция в белковой последовательности может указывать на то, что мутированные аминокислоты скорее всего контактируют друг с другом в пространстве. Такая информация существенно упрощает компьютерным системам перебор возможных вариантов структуры.
Этот подход ученые уже использовали для моделирования нескольких белковых структур (1,2,3), однако до сих пор он был ограничен последовательностями из известных баз данных. Авторы нового исследования предложили учитывать при компьютерном предсказании структуры неизвестного белка результаты метагеномных анализов. Метагеномика подразумевает секвенирование всей выделенной из какого-либо живого сообщества ДНК (это могут быть образцы морской воды, содержимого кишечника и т.д.), что позволяет узнать последовательности гораздо большего числа микроорганизмов, чем можно вырастить в лаборатории. При анализе белковых последовательностей такой подход хорош еще и тем, что в «дикой» микробной экосистеме одновременно присутсвует большое число близких видов, имеющих различные компенсаторные мутации.

Третичные структуры белков, предсказанные с помощью нового метода.
Изображение: Sergey Ovchinnikov et al./ Science
Применив новый метод к известным аминокислотным последовательностям, ученым удалось предсказать ранее не описанные структуры для белков из 614 семейств, среди которых 206 были мембранными белками (их структуры биологам традиционно даются существенно тяжелее). Многие из предсказанных структур удалось отнести к уже известному типу третичной структуры, однако для 137 белков поиск по крупнейшей специализированной базе Protein Data Bank не дал результатов, то есть они представляли собой новые типы свертки (новые фолды).

Авторы отмечают, что их результаты описывают около 12 процентов от всех белковых семейств, для которых известна первичная, но не определена третичная структура. Тем не менее, остается еще большое число неописанных структур, которые, как полагают ученые, удастся предсказать на основании метагеномных данных.

Тарас Молотилин
www.Boinc.ru
Изображение
Изображение
Изображение

Выпуск платформы для распределённых вычислений BOINC 7.4

Добавлено: 05 апр 2020, 20:46
????????.??????????
ФЕРМИ ГАММА-ЛУЧШИЙ ПОИСК ПУЛЬСАРОВ

Что такое нейтронная звезда?

Сечение нейтронной звезды. Плотности выражаются в ρ0 плотности ядерной материи насыщения, где нейтроны начинают касаться друг друга.

Когда массивная звезда использовала все свое ядерное топливо для производства энергии, она взрывается в сверхновой. В этом процессе внешние слои бывшей звезды разрушаются, в то время как ядро разрушается под действием собственного веса. Ядро звезды сжимается настолько, что протоны и электроны в нем объединяются, превращаясь в нейтроны (и нейтрино). Полученный объект называется нейтронной звездой. Если нейтронная звезда весит более двух или трех солнечных масс, она коллапсирует дальше и образует черную дыру.

Нейтронные звезды - экзотические объекты. Они состоят из вещества, гораздо плотнее упакованного, чем обычно, что дает всей звезде плотность, сравнимую с атомным ядром. Диаметр нашего Солнца уменьшился бы до 30 километров, если бы он был таким плотным. Нейтронные звезды также вращаются вокруг себя до сотни раз за одну секунду.

Что такое пульсар?

Нейтронные звезды имеют чрезвычайно сильные магнитные поля. Заряженные частицы, ускоренные вдоль силовых линий, испускают электромагнитное излучение на разных длинах волн. Это излучение связано в конус вдоль оси магнитного поля. Когда нейтронная звезда вращается вокруг своей оси вращения, конусы излучения проникают через небо, как луч маяка, потому что ось вращения обычно наклонена относительно оси магнитного поля. Нейтронная звезда становится видимой как пульсар, если лучи проносятся над Землей. Пульсары вращаются от одного раза в несколько секунд до одного раза за миллисекунды. Эти периоды вращения могут быть очень стабильными с точностью, которая помещает их в число самых точных часов во Вселенной.
Первый пульсар был обнаружен в 1967 году Джоселин Белл Бернелл на радиоволнах. В настоящее время мы знаем более 2500 таких радиопульсаров. Но пульсары были обнаружены и на других длинах волн. Мы знаем много рентгеновских и гамма-пульсаров, поскольку было замечено несколько оптических пульсаций. Ученые наблюдали много пульсаров на нескольких длинах волн, но некоторые пульсары остаются необнаруженными в частях электромагнитного спектра. В некоторых случаях ученые уже могут объяснить, почему определенный пульсар излучает в одной части спектра, а не в другой. Однако еще не все механизмы, которые регулируют излучение в различных частотных диапазонах, полностью понятны.

Почему некоторые пульсары видны в радиоволнах, а другие в гамма-лучах?

Пульсар гамма-излучения - это компактная нейтронная звезда, которая ускоряет заряженные частицы до релятивистских скоростей в своем чрезвычайно сильном магнитном поле. Этот процесс производит гамма-излучение (фиолетовое) намного выше поверхности компактных остатков звезды, например, в то время как радиоволны (зеленого цвета) излучаются над магнитными полюсами в форме конуса. Вращение перемещает области эмиссии через наземную линию видимости, заставляя пульсар периодически светиться в небе.

Впечатление художника о пульсаре, излучающем радиоволны (зеленые) и гамма-лучи (пурпурный). кредит: НАСА / Ферми / Крус де Уайлд

Правдоподобным объяснением того, почему некоторые пульсары видны как гамма-пульсары, а не как радио пульсары, может быть то, что радиоволны с более низкой энергией связаны в более узком конусе на магнитных полюсах, чем высокоэнергетическое гамма-излучение. Поскольку излучение в основном испускается вдоль поверхности конуса, а волны разной длины излучаются в конусах с разным распространением, радиоволны и гамма-волны покидают нейтронную звезду в разных направлениях. Таким образом, пульсар может стать видимым как гамма-излучение или радио пульсар для удаленного наблюдателя (в зависимости от того, какой конус проходит через положение наблюдателей).

Другая модель имеет гамма-излучение, возникающее не в полярных областях магнитного поля, а в экваториальной плоскости, где линии поля нарушаются. Тогда, конечно, пульсар может просто не излучаться в гамма-лучах или радио по сути. Поэтому очень важно наблюдать как можно больше пульсаров на всех длинах волн, чтобы лучше понять эти механизмы.
Для некоторых пульсаров в двоичных файлах возможно другое объяснение. Если энергетическое излучение пульсара попадает на спутник, материал поверхности спутника сдувается. Материал затем плавает в окружении двойной системы. Радиоволны легко блокируются этим, в то время как гамма-лучи обычно не затрагиваются.

Какие данные используются Einstein@Home?

На этой компьютерной графике показана структура спутника НАСА Fermi. Центральная приборная платформа в форме коробки лежит между солнечными батареями. Большой телескоп, данные которого оценивали астрономы, скрыт под черной крышкой, видимой сверху.

Наблюдения за небом в гамма-лучах с очень высоким временным разрешением проводятся с помощью телескопа большой площади (LAT) на борту космического телескопа гамма-излучения Fermi НАСА. Спутник вращается вокруг Земли каждые 95 минут на низкой орбите ок. 560 километров над землей, при этом LAT всегда почти идеально обращен от Земли.
LAT может обнаружить отдельные фотоны гамма-излучения, их энергию (в диапазоне от 20 МэВ до 300 ГэВ), направление, из которого они пришли (до менее чем градуса) и когда они прибыли (до нескольких микросекунд). В любой момент времени LAT «видит» около пятой части всего неба. Орбитальное движение спутника и Земли, а также раскачивающее движение спутника гарантируют, что LAT покрывает все небо после двух орбит. Все данные становятся общедоступными в течение нескольких часов для всех. Карты неба и исходные каталоги создаются и регулярно обновляются с помощью данных LAT, полученных в течение более длительного времени (года).

Ученые Einstein@Home выбрали самые «похожие на пульсар» объекты на основе их распределения энергии гамма-лучей в качестве целей из более чем 1000 неопознанных источников в каталоге источников Fermi-LAT. Для 118 выбранных источников они использовали новые высокоэффективные методы анализа обнаруженных фотонов гамма-излучения на наличие скрытых периодичностей. Это поиск гамма-пульсаров Ферми (сокращенно: FGRP).

К настоящему времени исследователи из Einstein@Home также отобрали три источника, которые выглядят как «пульсары» и где другие наблюдения указывают на то, что они находятся в двойных системах. В сочетании с оптическими наблюдениями этих систем (см. «Как Эйнштейн@Home ищет гамма-пульсары в двойных системах?» Ниже), Эйнштейн@Home ищет гамма-пульсары в двойных системах. Всякий раз, когда новые оптические наблюдения указывают на двойную систему для источника гамма-излучения, подобного пульсару, он выбирается, и съемка расширяется. Это гамма-пульсары Ферми в бинарных файлах (сокращение: FGRPB).

Почему так сложно найти гамма-пульсары?

Все небо гамма-лучей, как видно из телескопа большой площади Ферми. Цвета показывают интенсивность гамма-излучения в полосе обнаружения Ферми.

Найти периодические пульсации от гамма-пульсаров очень сложно, особенно от очень быстрых миллисекундных пульсаров. В среднем только 10 фотонов в день регистрируются из типичного пульсара с помощью LAT на борту космического корабля Fermi. Для выявления периодичности необходимо проанализировать данные за годы, в течение которых пульсар может вращаться десятки миллиардов раз. Для каждого фотона необходимо точно определить, когда в течение одного периода вращения в миллисекундах он испускался. Это требует поиска по длинным наборам данных с очень хорошим разрешением, чтобы не пропустить ни одного сигнала. Вычислительная мощность, необходимая для этих «слепых поисков», когда информация о пульсаре практически неизвестна, огромна.

Что нового в поиске гамма-пульсаров в Einstein@Home?

Новые методы, использованные в обзоре Einstein@Home, улучшают чувствительность поиска, не увеличивая связанные с этим вычислительные затраты. Они состоят из начальной стадии поиска, более чувствительной, чем в предыдущих поисках гамма-излучения Einstein@Home. Эта начальная стадия поиска производит много перспективных кандидатов. Затем они сопровождаются еще более чувствительной второй стадией, которая увеличивает масштаб и сужает неопределенность в физических свойствах пульсара. Последний этап поиска выполняется не на Einstein@Home, а на компьютерном кластере Atlas в Институте гравитационной физики им. Макса Планка (Институт Альберта Эйнштейна) в Ганновере.
В последние годы все открытия в области слепого поиска гамма-излучения были сделаны Einstein@Home. Всего Einstein@Home уже обнаружил 23 новых гамма-пульсара, что составляет более трети всех таких объектов, обнаруженных в результате слепых поисков.

Почему так трудно найти гамма-пульсары в двойных системах?

Чтобы однозначно идентифицировать гамма-пульсар, его свойства должны быть известны с очень высокой степенью точности. Только тогда астрономы могут определить фазу вращения, при которой каждый из гамма-квантов испускался пульсаром. И только тогда гамма-пульсация может быть обнаружена, без сомнения. Ни одно из соответствующих свойств пульсара, таких как его положение в небе, его частота вращения и то, как это изменяется, а также параметры орбиты двойной системы, априори не известны.

Исследователи должны проверить множество комбинаций этих свойств в слепом поиске. Количество возможных комбинаций особенно велико, поскольку бинарные пульсары часто вращаются с очень высокими частотами. Если бы ученые сразу же искали данные Ферми за несколько лет, число возможных комбинаций было бы настолько велико, что необходимые вычислительные усилия сделали бы практическую реализацию невозможной.

Как Einstein@Home ищет гамма-пульсары в двойных системах?

Новый метод анализа разбивает полный набор данных на более короткие перекрывающиеся участки. Каждый из разделов теперь можно искать отдельно; индивидуальные результаты затем объединяются оптимальным образом. В целом, этот метод поиска почти так же чувствителен, как и поиск по всем данным, полученным с 2009 года, за один прогон. Если в определенной комбинации параметров обнаружен многообещающий сигнал, полный набор данных можно очень быстро проверить с помощью этой комбинации.

Ключ заключается в том, чтобы распределять комбинации параметров настолько разумно, насколько это возможно, чтобы любой сигнал был найден с максимально возможной вероятностью, и чтобы избежать ненужных вычислений. В новом методе анализа используется алгоритм, который адаптивно улучшает комбинации параметров, также называемые точками сетки, чтобы покрыть общее пространство параметров при минимальных затратах на вычисления.

Кроме того, наблюдения с оптическими телескопами используются для максимально возможного ограничения диапазона неизвестных параметров. Например, глядя на изменения яркости у разных цветов предполагаемого спутника гамма-излучения пульсара, можно узнать о свойствах орбиты пульсара и получить хорошие оценки того, где пульсар находится на своей орбите в какой момент времени. насколько велика орбита и каков ее угол к линии обзора. Эти оценки помогают значительно ускорить поиск Einstein@Home.

Что происходит, когда ваш компьютер обнаруживает пульсар?

Если анализ определенного набора рабочих узлов выглядит многообещающе и показывает явные или слабые признаки неизвестного гамма-лучевого пульсара, дальнейший последующий анализ всех существующих данных Ферми проводится для подтверждения существования пульсара. Способы отслеживания более вычислительно интенсивны, чем методы поиска, но также более чувствительны и, таким образом, способны определить, является ли многообещающий кандидат пульсаром.
При обнаружении пульсаций строится математическая модель (называемая «временным решением»). Он точно предсказывает время прибытия каждого отдельного импульса в течение многих лет наблюдений Fermi LAT. Модель синхронизации может быть использована для извлечения астрофизической информации о пульсаре (и для бинарного пульсара также о его спутнике).

Горстка пользователей, на чьих компьютерах был проведен первоначальный анализ данных и которые нашли кандидата с самой высокой значимостью, будет зачислена в раздел признаний в статье о научных открытиях.

Хотите принять участие в распределенных вычислениях, тогда, Вам сюда:
https://boinc.berkeley.edu/wiki/Simple_view
https://boinc.berkeley.edu/download_all.php
https://boinc.ru/

Изображение
Изображение
Изображение
Изображение