我目前正在使用 scipy minimize 來解決我的優化問題，但計算時間很長。我遇到了 numba，它可以用來減少計算時間。但是當我嘗試在目標函數上使用它時，它會拋出以下錯誤。TypingError：在 nopython 模式管道中失?。ú襟E：在降低之前確保 IR 合法）不支持使用反射列表（int64）<iv = None>類型，分配給全局變量“wInt”，因為考慮了全局變量編譯時常量，并且沒有已知的方法可以將反射列表(int64)<iv=None>類型編譯為常量。這是我當前用于目標函數的示例代碼。#x is a list returned by a function and is run only once at the # -beginning of the code execution.x = someFunc()@jit(float64(int64), nopython=True, parallel=True)def fast_rosenbrock(N):    out = 0.0    for i in range(N-1):        out += 100.0 * (x[i+1] - x[i]**2)**2 / (1 - x[i])**2    return out目標函數利用通過調用函數獲得的全局變量。我擔心如果我將其設置為本地，則會重復計算相應的值，我想避免這種情況，因為該函數非常大并且只需要運行一次。我該如何解決這個問題？編輯1：嘗試傳遞 x 作為參數。它可以在沒有 numba 的情況下工作，但是當我將其放入 jitted 函數中時，它會拋出錯誤。沒有 numba，我得到了想要的結果：def fast_rosenbrock(x, N):    out = 0.0    for i in range(N-1):        out += 100.0 * (x[i+1] - x[i]**2)**2 / (1 - x[i])**2    return out與麻木：from numba import jit, float64, int64@jit(float64(float64[:], int64), nopython=True, parallel=True)def fast_rosenbrock(x, N):    out = 0.0    for i in range(N-1):        out += 100.0 * (x[i+1] - x[i]**2)**2 / (1 - x[i])**2    return out這會引發一個錯誤，指出ZeroDivisionError: division by zero我在這里做錯了什么嗎？