Julia中并行@simd运算远慢于串行@simd且结果错误问题

问题背景 #

需要针对不同初始条件向量反复求解大规模常微分方程（ODE）系统，示例中系统包含127个状态/ODE方程，实际应用场景规模可达1000-2000个状态，后续需运行数百至数千次完成推断任务，因此对计算速度要求极高。测试环境启动Julia时设置JULIA_NUM_THREADS=auto，本机共分配8个CPU线程，并行逻辑严格控制同时派发的任务数不超过可用线程数。

异常现象 #

测试共对比4种实现的运行耗时与计算结果：

• 串行无@simd版本：平均耗时约0.9秒，结果正确稳定
• 串行@simd版本：平均耗时约0.045秒，结果正确稳定，速度较普通串行版本提升近20倍
• 基于@spawn的并行无@simd版本：平均耗时约0.35秒，结果正确稳定，速度较串行普通版本提升约2.5倍
• 基于@spawn的并行@simd版本：平均耗时达140秒左右，速度远低于其余所有实现，且输出的sum_of_solutions结果波动、数值错误

两个并行实现的逻辑完全一致，仅核心ODE求解操作分别调用无@simd的core_op_plain与带@simd的core_op_simd函数，怀疑@simd与@spawn存在线程层面的冲突。已提供可直接从头运行的完整复现代码（自动下载依赖的模型结构文件），寻求问题定位与修正方案。

内容的提问来源于stack exchange，提问作者Nicholas J. Matzke