Wissenschaftliches Rechnen
GitHub-RepositoryReaktions-Diffusions-Benchmark
Dieselbe Simulation, zwei Python-Backends und ein sorgfältiger Vergleich von Geschwindigkeit und numerischer Konsistenz.
Kontext: Scientific Computing, numerische Simulation und Python-Performance
Zeitraum: 2026
Zusammenfassung
Der Benchmark führt dasselbe zweidimensionale FitzHugh-Nagumo-Modell mit vektorisiertem NumPy und parallelem Numba aus. Identische Zustände, Gleichungen und Iterationen stellen Laufzeit, numerischen Fehler und Signifikanz gegenüber.
Von identischen Eingaben zu einem belastbaren Performancevergleich
Anfangszustand
Beide Backends erhalten dasselbe Gitter und dieselben Parameter
NumPy
Die vektorisierte Referenz führt die Simulation aus
Numba
Das kompilierte parallele Backend löst dieselben Gleichungen
Prüfung
Laufzeit, numerischer Fehler und Signifikanz werden gemessen
Berichte
Tabellen und Diagramme machen Ergebnisse vergleichbar
Was das System abdeckt
Simuliert ein zweidimensionales FitzHugh-Nagumo-System.
Vergleicht NumPy und Numba unter identischen Bedingungen.
Verwendet periodische Randbedingungen und Vier-Nachbar-Diffusion.
Erzeugt CSV-Daten, Diagramme und statistische Vergleiche.
Gemessener gepaarter Benchmark
Zehn gepaarte Stichproben mit je 300 Iterationen pro Gitter unter identischen Simulationsbedingungen.
Numba-Beschleunigung
8,50×
NumPy bei 64 × 64
Numba-Beschleunigung
3,77×
NumPy bei 128 × 128
Numba-Beschleunigung
2,44×
NumPy bei 256 × 256
Gepaarter t-Test
< 0,001p-Wert
Alle Gittergrößen
Maximaler absoluter Fehler
2,3e-6–2,6e-6
Numba gegenüber NumPy
Technologie
Stack
Bereiche
Benchmark-Explorer
Vorberechnete Benchmark-Ergebnisse
Numba im Vergleich zur NumPy-Referenz
Wähle eine Gittergröße und vergleiche mittlere Laufzeit, gemessene Beschleunigung und numerische Konsistenz.
schneller als die NumPy-Referenz
- Maximaler absoluter Fehler
- 2.56e-6
- Gepaarter t-Test
- p = 7.50e-4
- Stichproben × Iterationen
- 10 × 300
Quelle: gespeicherte Benchmark-CSV-Dateien mit zehn gepaarten Stichproben zu je 300 Iterationen pro Gitter. Die Ausführung bleibt Teil des Repository-Workflows.
CSV-Quelldateien auf GitHub ansehenErgebnisse
- Numba verkürzte die Laufzeit für jede getestete Gittergröße.
- Mehrere Größen zeigen die Skalierung der Beschleunigung.
- Der numerische Fehler bleibt neben der Laufzeit sichtbar und nahe an NumPy.
Möchtest du die Implementierung prüfen?
Das Repository enthält Quellcode, Einrichtungshinweise und Entwicklungshistorie.