Numba并行JIT函数访问全局变量时出现计算异常的问题咨询

大家好，我最近在使用Numba时遇到了一个棘手的问题，想请教一下社区的朋友们。

首先我知道，常规的Numba JIT函数没办法动态访问全局变量——变量值在编译时就被固定了，但可以通过objmode强制实现Python风格的动态访问，当然这样会带来一定的性能损耗，示例代码如下：

from numba import njit, objmode 
@njit 
def access_global_variable_1():
    return global_variable

@njit
def access_global_variable_2():
    with objmode(retval='int64'):
        retval = globals()['global_variable']
    return retval

global_variable = 0
access_global_variable_1() # returns 0 
access_global_variable_2() # returns 0 

global_variable = 1
access_global_variable_1() # returns 0 
access_global_variable_2() # returns 1

这个示例里，access_global_variable_2借助objmode确实能动态获取全局变量的最新值，一切正常。

但当我给函数加上并行化逻辑后，问题就出现了。我写了几个测试函数来验证：

from numba import njit, objmode, prange
import numpy as np

@njit
def _add(a):
    with objmode():
        globals()['acc'] += a

@njit(parallel=True)
def parallel_sum_global(arr):
    for i in prange(len(arr)):
        _add(arr[i])

@njit(parallel=False)
def sum_global(arr):
    for i in prange(len(arr)):
        _add(arr[i])

@njit(parallel=True)
def parallel_sum_local(arr):
    acc = 0
    for i in prange(len(arr)):
        acc += arr[i]
    return acc

n = 100
print('True answer:', np.arange(n).sum()) # True answer: 4950 

acc = 0
parallel_sum_global(np.arange(n)) 
print('Numba parallel global answer:', acc) # Numba parallel answer: 78

acc = 0
sum_global(np.arange(n)) 
print('Numba global answer:', acc) # Numba global answer: 4950

acc = parallel_sum_local(np.arange(n))
print('Numba parallel local answer:', acc) # Numba parallel local answer: 4950

运行结果非常反常：

• 非并行的sum_global能正确得到结果4950
• 使用局部变量的并行函数parallel_sum_local也能输出正确结果
• 但同时使用全局变量和并行化的parallel_sum_global，结果却只有78，完全偏离预期

我还注意到一个细节：parallel_sum_global似乎只正确处理了数组的前12个元素，后续的元素都没有被正确累加。我当前使用的是8核的开发电脑。

这个问题的触发条件很明确：只有同时结合全局变量访问和并行化时才会出现，单独使用其中一种逻辑都不会有问题。有没有朋友遇到过类似的情况？或者有没有可行的解决办法呢？

（注：这个是我简化出来的最小复现示例，实际是在更复杂的业务代码中遇到的这个问题）

备注：内容来源于stack exchange，提问作者Hmwat