我感兴趣的是解决一个大规模的并行问题，其中每个条件都不相互依赖。

def f(x):
    return x*x - x

然后我想把所有的结果总结一下。

if __name__ == '__main__':
    with Pool(4) as p:
        res = list(p.imap(f, list(range(100000))))
        v = np.sum(np.array(res))
        # print(res)
        print(v)

这段代码看起来运行良好。
现在，我想用一个函数来调用scipy的solve_ivp例程，而不是f(x)。
有谁知道这个例程在使用multiprocessing时有没有问题？
就像解一个ODE 100万次？
我没有发现任何关于multiprocessing或scipy的官方文档报告使用另一个库。由于我不熟悉并行编程，我不知道我是否应该意识到一些事情。
如果我这样做：

import numpy as np
from multiprocessing import Pool
from scipy.integrate import solve_ivp

def f(t, y): return -0.5 * y

def sol(x0):
    sol = solve_ivp(f, [0, 10], [x0], t_eval = np.linspace(0,10, 10000) )
    return sol.y

if __name__ == '__main__':
    with Pool(4) as p:
        res = list(p.imap(sol, list(range(1000))))
        v = np.sum(np.array(res), axis=0)
        print(res[-1][0])
        print(len(res[-1][0]))
        # print(v)

这个运行起来没有问题。是这样吗？（Plug and Play）。
多处理如何知道分配多少内存，我如何跟踪它？
scipy/numpy中的例程是并行/多线程的，不是吗？在这种情况下，multiprocessing是否能够处理资源分配？
如果内存消耗太多（因为res变量存储并行处理的每个结果），我可以减少每个处理器（池）能够处理的数据量吗？
问候