Python大规模Beta细胞动力学数值模拟的性能优化求助

我正基于Bertram等人2007年的研究开发Beta细胞动力学数值模拟模型，模型功能正常但运行效率不足：模拟步长设为0.1ms时，仅15个耦合Beta细胞的情况下，每1秒模拟时长需消耗约12秒真实时间。后续需要扩展至1000个细胞模拟完整胰岛，因此亟需实现10倍以上的性能提升。

现有代码结构 #

BetaCell类（已用Numba jitclass重构） #

@jitclass(spec)
class BetaCell:
     def __init__(self, cell_num: int, neighbours: list, G: float):
          ##设置初始条件（23个参数，包含浮点数和列表）

     def w_ijkl(self, ii, jj, kk, ll, f6p):
          ###计算并返回特定参数

     def run_model_step(self, Ge: float):
          ###执行细胞的一个时间步长模拟（dt=0.1 ms）
          ###需计算/更新约55个参数

ModelParameters类 #

class ModelParameters:
    ###包含所有模型参数
    ###时间步长、葡萄糖刺激强度、刺激起始时间等
    ###同时定义何时保存时间步长用于后续可视化

    @staticmethod
    def external_glucose(time):
       ###计算并返回当前外部葡萄糖水平
       ###使用简单公式实现

CellParameters类 #

class CellParameters:
    ###包含模型运行所需的约70个浮点型参数
    ###部分参数在初始化后（一次性）修改，以引入细胞异质性

模拟流程 #

• 导入包含细胞参数（位置、连接、连接权重）的数据
• 为每个细胞初始化编号、邻居及初始葡萄糖水平，存入名为cells的列表
• 按需为细胞参数引入异质性
• 执行模拟步骤

模拟循环核心逻辑 #

def run_step(cell):
    cell.run_model_step(glc)

if __name__ == '__main__':
    for step, current_time in enumerate(time):
        ###time数组根据设定的结束时间和模拟步长（dt）预计算得到
        glc = ModelParameters.external_glucose(current_time)
        cells = calculate_gj_coupling(cells) #计算相连细胞间的间隙连接耦合
        cells = list(map(run_step, cells))

当前该循环每模拟1秒时长（对应10000次0.1ms步长循环），需耗时10-12秒。

并行尝试及问题 #

我尝试用multiprocessing.Pool类提升性能，代码如下：

pool = Pool(processes=NUMBER_OF_WORKERS)
.
.
.
for step, current_time in enumerate(time):
    ###time数组根据设定的结束时间和模拟步长（dt）预计算得到
    glc = ModelParameters.external_glucose(current_time)
    cells = calculate_gj_coupling(cells) #计算相连细胞间的间隙连接耦合
    cells = pool.map(run_step, cells)

pool.terminate()

但该方案反而导致性能下降，推测是体积较大的BetaCell类实例在进程间的内存传输开销过大。不过在小型DummyObject的并行测试中，该方案能大幅提速：

小型对象并行测试代码 #

def task_function(dummy_object):
    dummy_object.sum_ab()
    return dummy_object

class DummyObject:
    def __init__(self, a, b):
       self.a = a
       self.b = b
       self.ab = 0.0

    def sum_ab(self):
       time.sleep(2) #模拟耗时任务
       self.ab += self.a + self.b

if __name__ == '__main__':
    pool = Pool(processes=NUMBER_OF_WORKERS)
    cells = [DummyObject(i, randint(1,20), randint(1,20)) for i in range(NUMBER_OF_CELLS)]
    for i in range(NUMBER_OF_STEPS):
        pool.map(task_function, cells)

    pool.terminate()

测试中，200个细胞的单线程循环需400秒，而60进程并行仅需8秒。

当前核心需求 #

1. 寻求适用于Beta细胞模拟的并行实现方案
2. 后续发现calculate_gj_coupling函数是性能瓶颈，以下是该函数代码，询问更高效的Python实现方式（该函数需在每个模拟步骤执行）：

@jit(nopython=True)
def calculate_gj_coupling(cells, cells_neighbours):
    for i, cell in enumerate(cells):
        ca_current = 0.0
        voltage_current = 0.0
        g6p_current = 0.0
        adp_current = 0.0
        for neighbour, weight in cells_neighbours[i]:
            voltage_current += (cell.Cgjv*weight)*(cells[neighbour].V-cell.V)
            ca_current += (cell.Cgjca*weight)*(cells[neighbour].C-cell.C)
            g6p_current += (cell.Cgjg6p*weight)*(0.3*cells[neighbour].G6P-0.3*cell.G6P)
            adp_current += (cell.Cgjadp*weight)*(cells[neighbour].ADPm - cell.ADPm)
        cell.couplingV = voltage_current
        cell.couplingCa = ca_current
        cell.couplingG6P = g6p_current
        cell.couplingADP = adp_current
    return cells

此外，我已重构BetaCell类：不再继承CellParameters，将所有细胞参数纳入类内，初始化时传入必要的模型参数（dt、save_step），从而成功使用Numba jitclass装饰器及Numba List替代Python内置列表。

内容的提问来源于stack exchange，提问作者Marko Šterk