我最近一直在使用python編寫一些代碼，以使用蒙特卡洛方法模擬二維U（1）規范理論。本質上，我有一個n×n×2的unit復數數組（稱為鏈接）（其大小為1）。我隨機選擇我的Link數組的元素，并建議對該站點上的數字進行隨機更改。然后，我計算由于該更改而將發生的操作中的結果更改。然后，我接受概率為min（1，exp（-dS））的更改，其中dS是操作中的更改。迭代器的代碼如下def iteration(j1,B0): global Link Staple = np.zeros((2),dtype=complex) for i0 in range(0,j1): x1 = np.random.randint(0,n) y1 = np.random.randint(0,n) u1 = np.random.randint(0,1) Linkrxp1 = np.roll(Link,-1, axis = 0) Linkrxn1 = np.roll(Link, 1, axis = 0) Linkrtp1 = np.roll(Link, -1, axis = 1) Linkrtn1 = np.roll(Link, 1, axis = 1) Linkrxp1tn1 = np.roll(np.roll(Link, -1, axis = 0),1, axis = 1) Linkrxn1tp1 = np.roll(np.roll(Link, 1, axis = 0),-1, axis = 1) Staple[0] = Linkrxp1[x1,y1,1]*Linkrtp1[x1,y1,0].conj()*Link[x1,y1,1].conj() + Linkrxp1tn1[x1,y1,1].conj()*Linkrtn1[x1,y1,0].conj()*Linkrtn1[x1,y1,1] Staple[1] = Linkrtp1[x1,y1,0]*Linkrxp1[x1,y1,1].conj()*Link[x1,y1,0].conj() + Linkrxn1tp1[x1,y1,0].conj()*Linkrxn1[x1,y1,1].conj()*Linkrxn1[x1,y1,0] uni = unitary() Linkprop = uni*Link[x1,y1,u1] dE3 = (Linkprop - Link[x1,y1,u1])*Staple[u1] dE1 = B0*np.real(dE3) d1 = np.random.binomial(1, np.minimum(np.exp(dE1),1)) d = np.random.uniform(low=0,high=1) if d1 >= d: Link[x1,y1,u1] = Linkprop else: Link[x1,y1,u1] = Link[x1,y1,u1]在程序開始時，我調用一個稱為“隨機化”的例程，以生成K個具有較小虛部的隨機unit復數，并將它們存儲在一個長度為K的Cnum數組中。在同一例程中，我還將遍歷Link數組并進行設置每個元素為一個隨機的complex復數。該代碼在下面列出。在迭代例程期間，使用以下例程來獲取具有較小虛部的隨機復數（通過檢索我們先前生成的Cnum數組的隨機元素）。我們需要先定義一些變量，然后再運行任何東西，所以這是我在定義任何例程之前定義的初始變量K = 20000n = 50a = 1.0Link = np.zeros((n,n,2),dtype = complex)Cnum = np.zeros((2*K), dtype = complex)這段代碼有效，但是速度很慢。有沒有一種方法可以使用多處理或其他方法來加快速度？
1 回答
斯蒂芬大帝
TA貢獻1827條經驗 獲得超8個贊
您應該使用cython和c數據類型。另一個cython鏈接。它是為快速計算而構建的。
您可以在以下兩種情況之一中使用multiprocessing。如果您有一個需要多個進程共享的對象，則需要使用Manager（請參閱多處理鏈接），Lock和Array在進程之間共享該對象。但是，不能保證這樣做會提高速度，因為每個過程都需要鎖定鏈接以保證您的預測，假設預測受到鏈接中所有元素的影響（如果一個過程同時修改了另一個過程的一個元素）正在對元素進行預測，則該預測將不會基于最新信息。
如果您的預測未考慮其他元素的狀態，即它只關心一個元素，那么您可以將Link數組劃分為多個部分，然后將塊劃分為一個過程池中的多個過程，并在完成后合并分段回到一個數組。這當然可以節省時間，并且您不必使用任何其他的多處理機制。
添加回答
舉報
0/150
提交
取消