profile-engine

OSMOSE Python エンジンをプロファイルし、パフォーマンスボトルネックと Numba JIT コンパイルの問題を特定します。

引数

• config (オプション): "bob"（ビスケー湾）または "eec"（EEC）— デフォルト: "bob"
• years (オプション): シミュレーション年数（デフォルト: 5）
• focus (オプション): 詳細プロファイルを実施する特定モジュール（例："predation"、"movement"）

ステップ

1. cProfile を実行して高レベルな関数別実行時間の内訳を取得します：

   .venv/bin/python -m cProfile -s cumulative -m osmose.engine.cli --config {config} --years {years} 2>&1 | head -40
   

   CLI エントリーポイントがない場合は、以下のインラインアプローチを使用します：

   .venv/bin/python -c "
   import cProfile
   from scripts.benchmark_engine import run_benchmark
   cProfile.run('run_benchmark()', sort='cumulative')
   " 2>&1 | head -40
   

2. 上位 5 つのホットスポットを特定: cProfile 出力から、累積実行時間が最も長い関数をリストアップします。NumPy/Numba 内部ではなく、osmose/engine/ 内の関数に焦点を当てます。

3. ホットスポット関数の Numba JIT ステータスを確認します：

   .venv/bin/python -c "
   import numba
   numba.config.DEVELOPER_MODE = True
   # モジュールをインポートして JIT コンパイルをトリガーします
   from osmose.engine.processes import predation
   print('Numba JIT compilation successful')
   "
   

   以下の点を確認してください：

   • object モードにフォールバックしている関数（パフォーマンスが低下）
   • 型推論の失敗
   • @njit 内での非対応 Python 機能

4. ベクトル化されていないループを確認: ホットスポットファイルから、ベクトル化すべき配列に対する Python ループを検索します：

   grep -n "for.*in range" osmose/engine/processes/{focus}.py
   

   NumPy ブロードキャストで対応可能な配列要素の反復処理をフラグします。

5. メモリ割り当てパターンを確認: ホットループ内の配列割り当てを探します：

   grep -n "np.zeros\|np.empty\|np.array" osmose/engine/processes/{focus}.py
   

   可能な限り、配列はループの外で事前割り当てしてください。

6. ベースラインタイミングと比較:

   • ビスケー湾 5 年ベースライン: ~2.0s
   • EEC 5 年ベースライン: ~5.2s

   現在のタイミングがベースラインを >10% 超過する場合、性能低下としてフラグします。

7. 結果をテーブルで報告します：

   順位	関数	実行時間 (s)	総計比率	問題
   1	predation._compute_kernel	X.XX	XX%	—
   2	movement._distribute	X.XX	XX%	ベクトル化されていないループ

8. 特定されたボトルネックに対する最適化を提案します：

   • Python ループ → NumPy ベクトル化
   • NumPy 操作 → Numba @njit
   • 繰り返される割り当て → 事前割り当てバッファ
   • object モード Numba → 型アノテーションの修正

ルール

• .venv/bin/python を常に使用し、システム python は使用しません
• /home/razinka/osmose/osmose-python/ から実行します
• 初回 JIT コンパイルは遅い — 2 回実行して 2 回目（ウォーム）のタイミングを報告します
• プロファイリング中にエンジンコードを変更しません — これは読み取り専用の分析です
• 提案される最適化が適用された後、常に同等性を検証します
• パフォーマンスベースライン: BoB 5 年 ~2.0s、EEC 5 年 ~5.2s（Python）、Java BoB ~2.3s、EEC ~7.2s