SciML/diffeqpy

解決的問題

diffeqpy 提供了一個高效率的介面，可在 Python 中直接求解各種微分方程。它彌補了 Python 的易用性與 Julia 語言 DifferentialEquations.jl 生態系統中先進且高效率的數值求解器之間的差距。

工作原理

該套件作為 DifferentialEquations.jl 的封裝。它允許使用者在 Python 中定義問題（例如 ODE、SDE 或 DAE），並使用 Julia 的核心例程執行。為最大化效能，它包含 de.jit 函數，可將 Python 的導數函數編譯為高效原生程式碼，並支援 seval 以直接使用 Julia 語法定義函數。它也與 juliacall 集成，用於處理質量矩陣和稀疏陣列等複雜類型。

適用對象

需要在 Python 中求解複雜微分方程，但又需要通常與高效能計算語言相關的速度與專用求解器選項（如 GPU 加速與集合求解）的研究人員、科學家與工程師。

主要特色

• 廣泛的方程式支援：可求解常微分方程（ODE）、隨機微分方程（SDE）、延遲微分方程（DDE）與微分代數方程（DAE），以及離散與混合方程式。
• GPU 加速：透過 DiffEqGPU 支援在 GPU 上並行求解大型 ODE 集合。
• 效能最佳化：提供問題的 JIT 編譯，以減少內部迴圈的開銷。
• 多核心與平行處理：透過多種集合求解策略（序列、執行緒、分散式、SplitThreads）支援多 CPU 核心。
• 彈性整合：允許以 Python 或 Julia 語法定義函數，以達到最大效率。