SciML/diffeqpy

何を解決するか

diffeqpy は、Python 内で幅広い種類の微分方程式を直接解くための高パフォーマンスインターフェースを提供します。Python の使いやすさと、Julia 言語の DifferentialEquations.jl エコシステムに含まれる高度で高性能な数値ソルバーの間のギャップを埋めます。

動作方法

このパッケージは DifferentialEquations.jl をラップするものです。Python で問題（ODE、SDE、DAE など）を定義し、Julia のコアルーチンを使って実行できます。パフォーマンスを最大化するために、de.jit 関数を含み、Python の導関数関数を効率的なネイティブコードにコンパイルできます。また、seval を使って Julia 構文で関数を直接定義することも可能です。さらに juliacall と統合されており、質量行列やスパース配列などの複雑な型を扱えます。

対象ユーザー

Python で複雑な微分方程式を解く必要があるが、GPU アクセラレーションやアンサンブルソルビングなどの専門的なソルバー機能（通常、高性能コンピューティング言語に特有）を必要とする研究者、科学者、エンジニア。

特徴

• 広範な方程式対応: 常微分方程式（ODE）、確率微分方程式（SDE）、遅延微分方程式（DDE）、微分代数方程式（DAE）に加え、離散的およびハイブリッド方程式も解けます。
• GPU アクセラレーション: DiffEqGPU を通じて、GPU 上で大規模な ODE エンサンブルを並列で解くことができます。
• パフォーマンス最適化: ジャストインタイム（JIT）コンパイルにより、内部ループのオーバーヘッドを削減します。
• コアと並列処理: シリアル、スレッド、分散、SplitThreads などのさまざまなアンサンブルソルビング戦略により、複数の CPU コアを活用できます。
• 柔軟な統合: 最大限の効率を得るために、関数を Python または Julia で定義できます。