StorageReview实验室团队利用先进的计算系统，成功将π计算至202.112.290.000.000位，刷新了自己之前保持的105万亿位的世界纪录。这一成就突显了现代高性能计算（HPC）和精心设计的商用硬件平台的卓越能力。

关键技术组件：

• 计算平台： 搭载Intel Xeon 8592+处理器，提供强大的计算能力。
• 存储解决方案： 使用了28块Solidigm P5336 61.44TB NVMe SSD，总存储容量接近1.5PB，展现了极高的存储密度和带宽。
• 计算周期： 近乎连续的85天计算，显示了系统的稳定性和持续运行能力。

技术挑战与解决方案：

1. 内存与存储限制： 面对大规模数字运算的内存需求，团队通过优化的算法和高效的存储解决方案克服了这一难题。计算π所需的大量算术操作，特别是乘法，对内存访问速度提出了极高要求，团队通过高密度SSD和优化的I/O管理来缓解这一压力。
2. 算法选择： 利用Chudnovsky算法，该算法基于快速收敛级数，适合处理大量数字计算，且对存储和计算资源的需求进行了有效平衡。
3. 系统设计： 专门定制的Dell PowerEdge R760服务器，配备24个NVMe直连驱动器背板，优化了I/O性能，减少了外部硬件依赖，提高了系统的整体稳定性和效率。

关键发现：

• 存储密度与带宽的重要性： QLC SSD虽在速度上可能不占优势，但其高密度和并行读写能力在大规模数据处理任务中展现出优势，成为本次计算的关键因素。
• 直接连接NVMe的优势： 直接连接的NVMe存储解决方案提供了最高水平的性能，确保了计算过程中数据交换的高速度，成为计算瓶颈的主要解决方式。
• 系统集成与优化： 系统级的优化，包括CPU到存储的匹配比例（2:1驱动器到计算比率），以及对硬件的直接控制（通过y-cruncher软件），对于实现最佳性能至关重要。

结论：
StorageReview实验室的这一壮举不仅代表了π计算领域的重大突破，也为高性能计算、大规模数据存储与处理技术的研究提供了宝贵经验。通过精心设计的硬件配置和算法优化，团队展示了如何克服传统内存与存储限制，实现前所未有的计算成就。未来，此类技术进步有望促进科学、工程等领域内更多创新应用的发展。

在探索测试大容量SSD的有趣方法时，自然而然地想到了在CPU和系统评测中常用的工具：y-cruncher。当进行大量计算并使用交换空间时，所需的空间大致是数字大小的4.7:1，这意味着计算100万亿位π大约需要470TiB的空间。简而言之，y-cruncher采用的Chudnovsky算法基于模函数理论和椭圆曲线理论衍生出的一个快速收敛序列。该算法的核心是一个无限序列：

关于100万亿位和105万亿位π计算，最常见的疑问是：“这有什么大不了的？为什么需要这么久和这么多内存？”这个问题伴随着对开源软件及开发者Alex Yee编程能力的其他质疑。从系统层面来看，计算如此庞大的π数字，如100万亿位，需要大量空间，因为涉及到复杂的算术运算，尤其是大数乘法，这本身就要求大量的内存。最优的大数乘法算法大约需要4N字节的内存来处理N位数，大部分用作临时存储空间。计算过程中多次访问这些内存，使得整个过程更依赖于磁盘I/O而非CPU性能。

Chudnovsky公式因其在计算π的多位数字方面的广泛应用而闻名，它要求大量的算术运算，包括乘法、除法和平方等，这些通常归结为大规模的乘法操作。过去，超级计算机使用AGM（阿贝尔-戈德纳-马斯刻若尼）算法，尽管速度较慢，但易于实现且能借助多台机器的简单粗暴计算力。然而，现代技术进步已将瓶颈从计算能力转移到了内存访问速度上。

处理器中的算术逻辑单元（ALUs）和浮点运算单元（FPUs）处理这些大数乘法的方式类似于纸上演算，将其分解为更小、更易管理的操作。以前，π的计算主要受限于计算能力，但如今，计算能力已超过内存访问速度，使得存储和可靠性成为了创造π计算记录的关键因素。例如，在我们的128核Intel机器和256核AMD Bergamo之间，性能差异不大，重点转向了磁盘I/O效率。

Solidigm SSD在这些计算中发挥着关键作用，其重要性并非源自其内在的速度，而是其卓越的存储密度。消费级NVMe驱动器能在较小体积内存储高达4TB的数据，而企业级SSD则通过堆叠芯片进一步增加容量。尽管QLC NAND相比其他类型的闪存可能速度较慢，但密集型SSD中的并行性提供了更高的聚合带宽，使其非常适合大规模的π计算。

当我们面对超大数字运算，这些数字无法一次性装入系统内存时，计算机必须依靠软件算法来执行多精度算术。这些算法将大数分解成可管理的小块，并采用特殊技巧进行运算处理。这里，Solidigm P5336 61.44TB NVMe SSD 的重要性显现出来。y-cruncher 软件会利用这些可管理的数据块，首先在系统内存中累积它们，然后将这些数据块交换到临时存储空间（scratch drive space）中去。

需要注意的是，由于上述复杂公式的每一个部分都需要由大量的比特来表示，因此在进行数据交换时，我们需要大约4.7:1的空间比率。

y-cruncher 内置了一个硬盘空间需求估算器，即便这个标签还保留着“disk”的旧称，我们在当前以及过去的计算中发现它非常准确。尽管你可以使用HDD或其他对象存储来应对大容量需求，但在第一次尝试中我们就发现，这只是复杂方程中的一个因素。随着AI应用的兴起，如何在靠近计算设备的地方获得足够大且速度快的存储，成为了我们StorageReview日常工作中反复出现的主题。在这一计算过程中，交换空间的性能是最大的瓶颈。直接连接的NVMe存储提供了最高的性能选项，尽管某些方案可能在单个设备的吞吐量上更快，但我们使用的大型高密度QLC SSD阵列在总体上完全能满足这项任务的要求。

在消费者级硬盘和CPU性能方面，y-cruncher同样内置了基准测试功能，允许用户调整各种参数以找到最适配硬盘阵列的性能设置。这一点极为关键。上面的截图展示了这一基准测试为消费者系统提供的反馈信息，包括CPU处理速度和SSD性能指标。

尽管开发者Alex提供了详尽的文档，但经过数周的测试，我们发现让y-cruncher直接与硬盘交互是最佳方案。我们尝试过网络目标、通过SAS RAID卡连接的硬盘、NVMe RAID卡以及iSCSI目标。当将硬件控制权交给y-cruncher时，性能差异显著。iSCSI也表现出可接受的性能，但我们仅在输出文件阶段测试了它，这部分可以利用“直接I/O”进行交互。至于交换模式下的RAID代码，显然经过了深思熟虑，我们的测试结果及与开发者的交流表明，它能够以较低层级与硬盘直接协作，从而优化整体表现。