Использование РИВС
Исследование SARS-CoV-2
Свободные ресурсы облачного сегмента РИВС ОИЯИ используются для изучения вируса SARS-CoV-2 с помощью проекта Folding@home (F@h). Это проект распределенных вычислений, призванный помочь ученым разработать новые методы лечения различных заболеваний путем моделирования динамики белков. Это включает в себя сворачивание и движение белков и зависит от моделирования, запускаемого на персональных компьютерах добровольцев.
В марте 2020 года F@h запустила программу помощи исследователям во всем мире, которые работают над поиском лекарства и узнают больше о пандемии коронавируса. Первая волна проектов имитирует потенциально лекарственные белковые мишени вируса SARS-CoV-2 и родственного вируса SARS-CoV, о которых имеется значительно больше данных.
DIRAC, работающий в ОИЯИ, был настроен на выполнение задач Folding@home в течение недели после первоначальной идеи. Никаких дополнительных усилий от администраторов уже интегрированных облаков не потребовалось. Поскольку такая полезная нагрузка может использовать небольшие фрагменты простаивающих ресурсов, задания F@h позволяют повысить общую эффективность общих ресурсов.
F@h обнаружил новых антивирусных кандидатов в тестах на животных и опубликовал четыре статьи:
1) SARS-CoV-2 Simulations Go Exascale to Capture Spike Opening and Reveal Cryptic Pockets Across the Proteome;
2) SARS-CoV-2 Nsp16 activation mechanism and a cryptic pocket with pan-coronavirus antiviral potential;
3) The SARS-CoV-2 nucleocapsid protein is dynamic, disordered, and phase separates with RNA;
https://stats.foldingathome.org/team/265602
Связь с экспериментами
Ресурсы облачного сегмента РИВС ОИЯИ используются для решения широкого спектра задач, представляющих научный эксперимент и/или коллаборацию:
- Нейтринные проекты (ЛЯП): Baikal-GVD, JUNO, NOvA, TAIGA;
- Проекты NICA: BM@N, MPD.
Основным потребителем ресурсов РИВС ОИЯИ является научный эксперимент Baikal-GVD. Общее количество выполненных заданий с ноября 2020 г. по июль 2021 г. составляет 67,5 тысяч.
График количества выполненных работ Baikal-GVD с ноября 2020 г. по июль 2021 г.
Все эти задания представляют собой Монте-Карло-моделирование. Основная проблема заключается в размере входного файла, который необходимо загрузить для каждого задания, – 2,4 ГБ. Это ограничивает количество ресурсов, которые можно использовать для них, поскольку пропускная способность сети некоторых организаций-участников весьма ограничена. Одним из возможных решений является размещение этого входного файла в репозитории CVMFS. В этом случае каждое задание (кроме первого) будет загружать его со скоростью локальной сети с кэширующего узла CVMFS.
Информация об общем объёме мощностей, приобретённых нейтринными экспериментами (данные на июль 2025 г.):
Количество запущенных заданий в период с 14 августа 2022 г. по 14 августа 2023 г.:
Успешно протестированы задания по моделированию и реконструкции SPD, а также задания по моделированию методом Монте-Карло для BM@N.
Общий объём мощностей экспериментов проекта NICA на июль 2025 г.:
- BM@N — 16 виртуальных машин, 96 ядер;
- SPD — 46 виртуальных машин, 180 ядер.
Классическая задача гравитации трёх тел
C-код, разработанный Иваном Христовым и Радославой Христовой (Софийский университет, Болгария), успешно адаптирован для работы на ресурсах РИВС.
Были изучены (в основном двумерные) сечения области начальных условий для классической задачи гравитации трёх тел.
Решены два типа задач:
- Вычисление времени распада системы трёх тел в рассматриваемых сечениях;
- Поиск периодических орбит методом Ньютона в рассматриваемых сечениях.
Поскольку задачи являются объёмными и требуют решения множества независимых подзадач, в качестве вычислительного ресурса была использована РИВС ОИЯИ. Важной особенностью работы является применение библиотеки арифметики произвольной точности GMP (The GNU Multiple Precision Arithmetic Library), известной своей высокой эффективностью.
Данная задача идеально подходит для распределённой среды: минимальные требования к передаче данных!
Преимущества моделирования методом Монте-Карло в РИВС:
- Широко распространён в физике;
- Оптимален для ресурсов с ограниченной пропускной способностью: небольшой объём входных данных, высокая вычислительная нагрузка.