如何在嵌套函数中安全将惰性对象导出至parSapply工作进程？

我定义了嵌套函数g与内部函数f，f会处理lm、lme4::lmer或lmerTest::lmer的调用并重新执行eval。f在g中通过vapply（类型1）、mclapply（类型2）或parSapply（类型3）重复执行R次。

代码如下：

g <- \(fit, type=1, R=2L, nc=2L) {
  f <- \(...) {  
    ## f manipulates call
    if (inherits(fit, 'lmerMod')) {
      cl <- fit@call
      ## manipulate...
      lme4::fixef(eval(cl, envir=fenv))
    } else {
      cl <- fit$call
      ## manipulate...
      eval(cl, envir=fenv)$coe
    }
  }
  fenv <- new.env()
  environment(f) <- fenv
  if (type == 1) {  ## rep. using `vapply`
    bc <- vapply(seq_len(R), f, numeric(ncol(model.matrix(fit))))
  } else if (type == 2) {  ## rep. using `mclapply`
    bc <- parallel::mclapply(seq_len(R), f, mc.cores=nc) |> do.call(what='cbind')
  } else if (type == 3) {  ## rep. using `parSapply`
    .CL <- parallel::makeCluster(nc)
    on.exit(parallel::stopCluster(.CL))
    parallel::clusterExport(.CL, c('fit'), envir=fenv)
    bc <- parallel::parSapply(.CL, seq_len(R), f)
  } else stop('type undefined')
  return(bc)
}

使用vapply或mclapply时始终正常，但使用parSapply时总是失败，而parSapply正是我当前依赖的方法。同时发现使用lm、lme4::lmer或lmerTest::lmer时报错情况不同，且我需要以对象形式传入公式，这增加了复杂度。

lm案例 #

fo1 <- mpg ~ cyl

g(lm(fo1, mtcars), type=1)  ## 正常运行
g(lm(fo1, mtcars), type=2)  ## 正常运行
#                 [,1]     [,2]
# (Intercept) 37.88458 37.88458
# cyl         -2.87579 -2.87579

g(lm(fo1, mtcars), type=3)  ## 运行失败
# Error in checkForRemoteErrors(val) :
#  2 nodes produced errors; first error: object 'fo1' not found

lme4::lmer/lmerTest::lmer案例，报错情况不同 #

data('sleepstudy', package='lme4')
sleepstudy$foo <- 0 ## to keep promise
    
fo2 <- Reaction ~ Days + (1 | Subject)

g(lme4::lmer(fo2, sleepstudy), type=1)  ## 正常运行
g(lme4::lmer(fo2, sleepstudy), type=2)  ## 正常运行
#                  [,1]      [,2]
# (Intercept) 251.40510 251.40510
# Days         10.46729  10.46729

g(lme4::lmer(fo2, sleepstudy), type=3)  ## 运行失败
# Error in checkForRemoteErrors(val) :
#  2 nodes produced errors; first error: bad 'data': object 'sleepstudy' not 
#  found

g(lmerTest::lmer(fo2, sleepstudy), type=1)  ## 正常运行
g(lmerTest::lmer(fo2, sleepstudy), type=2)  ## 正常运行
g(lmerTest::lmer(fo2, sleepstudy), type=3)  ## 运行失败
# Error in checkForRemoteErrors(val) :
#  2 nodes produced errors; first error: object 'fo2' not found

lm和lmerTest::lmer均提示找不到公式对象，而lme4::lmer提示找不到sleepstudy数据。

显式指定公式时的parSapply变体 #

g(lm(mpg ~ cyl, mtcars), type=3)  ## 正常运行
#                 [,1]     [,2]
# (Intercept) 37.88458 37.88458
# cyl         -2.87579 -2.87579

g(lmerTest::lmer(Reaction ~ Days + (1 | Subject), sleepstudy), type=3)  ## 正常运行
#                  [,1]      [,2]
# (Intercept) 251.40510 251.40510
# Days         10.46729  10.46729

g(lme4::lmer(Reaction ~ Days + (1 | Subject), sleepstudy), type=3)  ## 运行失败
# Error in checkForRemoteErrors(val) :
#  2 nodes produced errors; first error: bad 'data': object 'sleepstudy' not 
#  found

lme4::lmer仍提示找不到sleepstudy。我尝试调整fenv <- new.env()，去掉它后仅lme4::lmer会像其他模型一样提示找不到公式，其余无变化。

我需要解决如何让parSapply适配lm、lme4::lmer和lmerTest::lmer的问题，怀疑是惰性对象未完整导出至工作进程，也不确定对象所处环境，尝试envir=parent.frame()无效。

> sessionInfo()
R version 4.3.1 (2023-06-16)
Platform: x86_64-pc-linux-gnu (64-bit)
Running under: Ubuntu 22.04.3 LTS

Matrix products: default
BLAS:   /usr/lib/x86_64-linux-gnu/blas/libblas.so.3.10.0 
LAPACK: /usr/lib/x86_64-linux-gnu/lapack/liblapack.so.3.10.0

locale:
 [1] LC_CTYPE=en_US.UTF-8       LC_NUMERIC=C               LC_TIME=en_US.UTF-8       
 [4] LC_COLLATE=en_US.UTF-8     LC_MONETARY=en_US.UTF-8    LC_MESSAGES=en_US.UTF-8   
 [7] LC_PAPER=en_US.UTF-8       LC_NAME=C                  LC_ADDRESS=C              
[10] LC_TELEPHONE=C             LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C       

time zone: Europe/Zurich
tzcode source: system (glibc)

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base      

loaded via a namespace (and not attached):
 [1] vctrs_0.6.3         nlme_3.1-163        cli_3.6.1           rlang_1.1.1        
 [5] generics_0.1.3      minqa_1.2.5         glue_1.6.2          colorspace_2.1-0   
 [9] lme4_1.1-34         scales_1.2.1        fansi_1.0.4         grid_4.3.1         
[13] lmerTest_3.1-3      munsell_0.5.0       tibble_3.2.1        MASS_7.3-60        
[17] numDeriv_2016.8-1.1 lifecycle_1.0.3     compiler_4.3.1      dplyr_1.1.2        
[21] Rcpp_1.0.11         pkgconfig_2.0.3     rstudioapi_0.15.0   lattice_0.21-8     
[25] nloptr_2.0.3        R6_2.5.1            tidyselect_1.2.0    utf8_1.2.3         
[29] pillar_1.9.0        parallel_4.3.1      splines_4.3.1       magrittr_2.0.3     
[33] Matrix_1.6-1        tools_4.3.1         gtable_0.3.4        matrixStats_1.0.0  
[37] boot_1.3-28.1       ggplot2_3.4.3 

内容的提问来源于stack exchange，提问作者jay.sf