SciML/diffeqpy

解决的问题

diffeqpy 提供了一个高性能接口，可在 Python 中直接求解各种微分方程。它弥合了 Python 的易用性与 Julia 语言 DifferentialEquations.jl 生态系统中先进、高性能数值求解器之间的差距。

工作原理

该包作为 DifferentialEquations.jl 的封装。它允许用户在 Python 中定义问题（如 ODE、SDE 或 DAE），并使用 Julia 的核心例程执行。为最大化性能，它包含 de.jit 函数，可将 Python 导数函数编译为高效原生代码，并支持 seval 以直接使用 Julia 语法定义函数。它还与 juliacall 集成，用于处理质量矩阵和稀疏数组等复杂类型。

适用人群

需要在 Python 中求解复杂微分方程，但又需要通常与高性能计算语言相关的速度和专用求解器选项（如 GPU 加速和集合求解）的研究人员、科学家和工程师。

主要亮点

• 广泛的方程支持：可求解常微分方程（ODE）、随机微分方程（SDE）、延迟微分方程（DDE）和微分代数方程（DAE），以及离散和混合方程。
• GPU 加速：通过 DiffEqGPU 支持在 GPU 上并行求解大规模 ODE 集合。
• 性能优化：提供问题的 JIT 编译，以减少内部循环开销。
• 多核与并行：通过多种集合求解策略（串行、线程、分布式、SplitThreads）支持多 CPU 核心。
• 灵活集成：允许以 Python 或 Julia 语法定义函数，以实现最大效率。