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