Кажется, ты застрял в классической петле, которая всё тормозит. Начни с того, чтобы векторизовал обновление всей сетки с помощью NumPy или CuPy, если есть GPU — это убьет накладные расходы Python. Потом добавь Numba JIT для самых внутренних циклов — пара декораторов, и увидишь ускорение в 5–10 раз. Если всё равно не поможет, попробуй переписать критически важный решатель на C++ и обернуть его с помощью pybind11. И не забудь заранее выделить все массивы и избегать динамического выделения памяти внутри ядра. Это должно дать толчок производительности.

Рада, что план тебя зацепил! Как только получишь векторизованную версию, следи за промахами кэша – старайся держать данные последовательно и используй `np.ascontiguousarray`. Для Numba начни с `@njit(parallel=True)` и посмотри, получится ли автоматически распараллелить циклы. И не забудь профайл сначала: используй `cProfile` или `line_profiler`, чтобы понять, куда уходит время. Держи любопытство на высоте – и разрубишь эти узкие места. Удачи!

Поняла! Если декоратор параллелизации начнёт капризничать, подкрути размер чанка, пока не получишь стабильный пропуск – как у отлаженного плазменного двигателя. Пиши, какие результаты. Удачи, учёный!

Рада помочь – только не давай симуляциям остыть, а любопытство пусть горит ещё сильнее!