Numba使用@njit(parallel=True)时报OMP#131线程标识符无效错误

这个OMP: Error #131是Numba 0.55.1版本下典型的嵌套OpenMP并行冲突，触发原因非常明确：

• 外层函数用prange搭配parallel=True开启了基于OpenMP的多线程并行，会启动OpenMP线程池把500次重复计算任务拆分到不同线程执行。
• 被调用的func中用到了LA.eigvals做特征值计算，Numba对numpy.linalg系列函数的JIT实现，默认本身就会调用OpenMP做多线程加速。
• 0.55.1版本的Numba默认没有开启OpenMP嵌套并行支持，内外两层并行同时抢占OpenMP线程资源时，内层运算申请线程拿不到合法的线程标识符，直接抛出这个错误。

额外说明：你当前的并行函数里调用func(n)后没有存储返回值，算出来的结果会直接丢弃，哪怕修复了报错也拿不到有效计算结果。

按改造成本从低到高排列，选择一种即可：

• 方案1：关闭内层线性代数运算的多线程，优先用外层prange做粗粒度的任务并行。这个方案性价比最高，因为你外层是按重复计算次数拆分任务，并行粒度更粗，线程调度开销远低于内层200阶不到的小矩阵特征值计算的多线程开销，整体速度反而更快。
  操作很简单，在所有Numba、Numpy导入代码之前，加一行环境变量配置，强制OpenMP运算单线程执行：

  import os
  # 注意这行必须放在import numba、import numpy之前才生效
  os.environ["OMP_NUM_THREADS"] = "1"
  

  同时补上结果存储逻辑，修改后的并行函数参考：

  @njit(nogil=True, parallel=True)
  def GOE_L12_sim_pa(n=200, rep=500):
      res = np.empty((rep, 2))
      for x0 in prange(rep):
          res[x0] = func(n)
      return res
  

• 方案2：替换全局numpy随机数调用，用Numba兼容的线程独立随机数生成器，从根源避免并行下的随机数状态竞争。旧版本Numba对numpy全局随机数的并行支持很差，哪怕不触发OMP错误，也可能出现不同线程生成重复随机数的问题。修改时只需要在prange循环内为每个线程初始化独立的RNG实例，传入func使用即可，参考代码：

  @njit
  def func(n, rng):
      nprime = n-1
      main = np.sqrt(2.) * rng.normal(0., 1., nprime)
      off = rng.normal(0., 1., (nprime, nprime))
      tril = np.tril(off, -1)
      W_n = tril + tril.T
      np.fill_diagonal(W_n, main)
      eigenvalues = LA.eigvals(W_n)
      return np.sort(eigenvalues)[::-1][0:2]
  
  @njit(nogil=True, parallel=True)
  def GOE_L12_sim_pa(n=200, rep=500):
      res = np.empty((rep, 2))
      for x0 in prange(rep):
          # 每个线程用独立种子初始化随机数生成器
          rng = np.random.default_rng(seed=x0)
          res[x0] = func(n, rng)
      return res
  

• 方案3：直接升级Numba到0.57及以上的稳定版本，新版本已经对嵌套OpenMP并行做了兼容，默认会自动处理线程ID分配逻辑，不会再触发这个131错误，不需要额外修改环境变量。

内容的提问来源于stack exchange，提问作者Eciel