Diffrax hétszer gyorsabb valószínűségszámításra a kozmológiai modellekben, mutatja a kutatók

A kozmológus Samit Ganguly 2026 június 6-án a Towards Data Science felületén jelentette be, hogy a JAX‑alapú Diffrax könyvtár jelentős gyorsulást hoz a kozmológiai Bayes‑inferencia feladatokban — írja a Towards Data Science.

Miért lassú a SciPy ODE‑megoldó

A hagyományos SciPy solve_ivp megoldó 0,4 ms‑et igényel egy ODE‑híváshoz, ami 100 000 valószínűségértékelésnél 40 s‑t jelent. A központi véges differenciák módszerével számolt gradiensek további 8 ms‑ot vesznek fel, összesen körülbelül 5 percet a gradient‑számításra egyetlen futtatás során.

Kapcsolódó: mély kauzális kutatás

Diffrax előnyei a Bayes‑inferenciaban

A Diffrax teljes egészében JAX‑ban íródott, így a JIT‑kompiláció egyetlen XLA‑kernelre fordítja az adaptív lépésciklust, ami a Python‑interpretert teljesen kikapcsolja. Az autodiff révén a gradiensek pontosak és egyetlen visszafelé lépésben jönnek létre, függetlenül a paraméterek számától. A vmap funkció párhuzamosan oldja meg a paramétervektorok kötegét, ami a nested samplingnél kulcsfontosságú. A telepítés mindössze 10 másodpercet vesz igénybe: pip install jax diffrax.

Kapcsolódó: hipotézis generálás

A mérési eredmények szerint a Diffrax egy hívásra 59 µs‑t, míg a SciPy 404 µs‑t használ, ami 7‑szer gyorsabb végrehajtást jelent. 100 000 értékelésnél a teljes ODE‑+gradient költség 5,9 s a Diffrax‑nal, szemben a SciPy 40,4 s‑os eredményével. A két megoldás azonos μ(z) görbét ad, csak a sebességben tér el.

Kapcsolódó: Anchor rendszer

A Diffrax könyvtár a Towards Data Science felületén 2026. június 6-án közzétett tanulmány szerint 100 000 valószínűségértékelésre 5,9 másodpercet igényel, szemben a SciPy 40,4 másodperces eredményével, a JAX és a Diffrax kombinációját használva.

Kapcsolódó: Bayesian-ARGOS modell