Julia 的DifferentialEquations.jl都与GPU 兼容。如果您使数组基于 GPU 的数组，则求解器将重新编译为全部在 GPU 上（无数据传输）。例如：

using OrdinaryDiffEq, CUDA, LinearAlgebra
u0 = cu(rand(1000))
A  = cu(randn(1000,1000))
f(du,u,p,t)  = mul!(du,A,u)
prob = ODEProblem(f,u0,(0.0f0,1.0f0)) # Float32 is better on GPUs!
sol = solve(prob,Tsit5())

都是基于GPU的。您可以通过diffeqpy从 Python 中使用它。目前没有太多好的语法将 GPU 使用暴露给 Python，但您可以使用以下方法来做同样的事情：

import diffeqpy
diffeqpy.install()
from diffeqpy import de

sol = Main.eval("""
    using CUDA, LinearAlgebra
    u0 = cu(rand(1000))
    A  = cu(randn(1000,1000))
    f(du,u,p,t)  = mul!(du,A,u)
    prob = ODEProblem(f,u0,(0.0f0,1.0f0)) # Float32 is better on GPUs!
    sol = solve(prob,Tsit5())
    Array(sol) # Return an array
""")

请注意，这需要在您的 Julia 安装中安装 CUDA。

我看到人们使用

• 铜; 和
• scikit-cuda。

但是，我没有看到其中任何一个提供微分方程功能。

环顾四周，我发现了 CudaPyInt并且它使用了 PyCuda。