派的笔记
# 算力备忘：人类计算圆周率位数的物理极限演进史
从手工几何割圆到经典无穷级数，再到电子计算机的涌现，人类对π值的追求标记着计算拓扑学与硅基算力的双向演进。公元263年魏晋数学家刘徽首创“割圆术”，算至3.1416；公元480年左右祖冲之将其精确至小数点后7位，该纪录保持了近千年。随着现代微积分及无穷级数的诞生，计算效率进入指数级阶段。1949年ENIAC电子计算机历时70小时打破两千位大关。随着科学技术的高速发展，科学家利用超级计算机集群，通过高阶Chudnovsky算法配合超大整数多线程异构优化，已将圆周率的物理计算极限推向了惊人的 105万亿位（105,000,000,000,000位） 。这种极限计算在现代航天（仅需十几位精度）之外，成为了检验超级计算机硬件浮点运算稳定性、内存吞吐上限和多核并行调度质量的国际公认标准测速场地。
# 算法理论一：莱布尼茨交错级数展开（Leibniz Formula）
π / 4 = 1 - 1/3 + 1/5 - 1/7 + 1/9 - 1/11 + ... + ((-1)^n) / (2n + 1)
该算法在数学逻辑上属于典型的线性级数收敛，分母按奇数等差递增，项值下降极为缓慢。若要精确推导到小数点后第6位，理论迭代计数需突破 1,000,000 次。受限于 IEEE 754 双精度浮点数的机器截断误差（Machine Epsilon ≈ 2.22e-16），高阶高频次迭代后末尾项会被底层直接抹平，导致最终计算数值死锁在固定截面上。
double calc_leibniz (long long steps) {
double pi = 0.0;
double sign = 1.0;
for (long long i = 0; i < steps; i++) {
pi += sign / (2.0 * i + 1.0);
sign = -sign;
}
return pi * 4.0;
}
# 算法理论二：梅钦类高阶快速收敛公式（Machin-like Formula）
π / 4 = 4 * arctan(1/5) - arctan(1/239)
英国天文学家约翰·梅钦于1706年发现的反三角函数恒等变换。结合泰勒级数展开后，由于反正切项的分母带有 (1/5)^(2n+1) 的几何衰减特性，其算法收敛速度呈几何级数上升（每向后计算一项，精度可直接推进约1.4位），是手工和早期计算机时代突破高位数的核心基石。
double arctan_series (double x, int terms) {
double sum = 0.0, term = x, x_sq = x * x;
for (int n = 1; n <= terms * 2; n += 2) {
sum += term / n;
term = -term * x_sq;
}
return sum;
}
double calc_machin () {
return 4.0 * (4.0 * arctan_series(1.0/5.0, 10) - arctan_series(1.0/239.0, 10));
}
# 算法理论三：楚德诺夫斯基现代超高阶算法（Chudnovsky Algorithm）
1/π = 12 * ∑ [ ((-1)^n * (6n)! * (13591409 + 545140134n)) / ((3n)! * (n!)^3 * 640320^(3n + 3/2)) ]
由楚德诺夫斯基兄弟于1988年基于拉马努金公式改进而来。它是现代所有超级计算机死磕圆周率世界纪录（包括105万亿位）唯一选用的终极算法。该公式收敛速度极其恐怖，每增加一项，就能直接精确地向后吐出 14 位小数 。在硬件基准测试中有着极高的统治地位。
void chudnovsky_step (int k, double *sum) {
double num = factorial(6*k) * (13591409 + 545140134.0 * k);
double den = factorial(3*k) * pow(factorial(k), 3) * pow(640320.0, 3*k + 1.5);
*sum += (k % 2 == 0 ? 1 : -1) * (num / den);
}
# 算法理论四：蒙特卡洛统计几何概率法（Monte Carlo Method）
π ≈ 4 * (内切圆内投点数 / 正方形总投点数)
一种典型的基于统计概率论的数值计算方法。在一个边长为2的正方形内均匀投点，利用随机数命中半径为1的内切圆的概率来逆向逼近π。该方法收敛速度依赖于大数伪随机数生成器（PRNG）的离散均匀分布质量，其统计误差与试验次数的平方根成反比，是测试并行异构算力（GPU）吞吐量的绝佳场景。
double calc_monte_carlo (long long total_pts) {
long long inside = 0;
#pragma omp parallel for reduction(+:inside)
for (long long i = 0; i < total_pts; i++) {
double x = (double)rand() / RAND_MAX;
double y = (double)rand() / RAND_MAX;
if (x*x + y*y <= 1.0) inside++;
}
return 4.0 * inside / total_pts;
}
[控制台] 选择底层演练算法：
1. 莱布尼茨级数
2. 梅钦高阶展开
3. 楚德诺夫斯基算法
4. 蒙特卡洛随机概率
启动引擎演练
