Diffrax v0.7.0 版本发布：增强的步长控制与稳定性改进

Diffrax 是一个基于 JAX 的微分方程求解库，专注于为科学计算和机器学习提供高效、灵活的微分方程求解方案。该库支持常微分方程（ODE）、随机微分方程（SDE）以及混合微分方程的求解，特别适合需要自动微分和 GPU 加速的场景。

核心特性更新

全新的步长控制器 ClipStepSizeController

本次版本引入了 ClipStepSizeController，这是一个功能强大的步长控制包装器，为微分方程求解带来了三项重要改进：

1. 时间步长裁剪：允许将步长限制在特定的时间点上，确保求解过程在关键时间节点上精确停留。

2. 向量场不连续性标记：可以显式标记向量场中的不连续点，帮助求解器在这些特殊位置采用更合适的数值策略。

3. 拒绝步长缓冲机制：保存被拒绝的步长位置信息，并在后续步骤中精确返回到这些位置。这一特性特别适用于自适应非交换 SDE 的求解，解决了之前版本在此类场景下的限制。

控制项广播行为的重大变更

ControlTerm 现在禁止向量场与控制项的广播行为。这一变更虽然属于破坏性更新，但解决了多个历史遗留问题，显著提高了代码的稳定性和可预测性。开发者在使用时需要特别注意调整相关代码。

随机 Runge-Kutta 方法支持前向自动微分

随机微分方程的 Runge-Kutta 求解方法现在完整支持前向模式自动微分（forward-mode autodiff），为特定类型的微分方程求解提供了更灵活的微分选择。

重要改进与修复

梯度函数参数传递标准化

UnderdampedLangevinDriftTerm 的 grad_f 参数现在统一使用 diffeqsolve 提供的 args 参数进行调用，即 grad_f(y, args) 而非之前的 grad_f(y)。这一变更使得参数传递更加一致，但需要注意可能影响现有代码。

稳定性增强

修复了多个关键问题，包括：

• 当向量场在时间零点无法求值时导致的崩溃问题
• 特定 JAX/Diffrax 版本组合下出现的 NotImplementedError: Differentiation rule for 'reduce_or' not implemented 错误

其他改进与优化

文档方面进行了大量改进，包括错误信息的优化和示例的完善。同时移除了对 typeguard 的依赖，简化了项目依赖关系。

WeaklyDiagonalControlTerm 已从类改为函数形式，并标记为弃用状态，建议用户改用 ControlTerm 结合 lineax.DiagonalLinearOperator 的方案。

PIDController 的参数顺序进行了调整，虽然属于破坏性变更，但由于大多数用户都使用关键字参数调用，影响范围有限。

技术影响与建议

本次更新在步长控制和数值稳定性方面做出了重要改进，特别是对于复杂 SDE 求解场景。开发者应当：

1. 仔细检查所有使用 ControlTerm 的代码，确保没有依赖广播行为
2. 对于使用 UnderdampedLangevinDriftTerm 的代码，更新梯度函数的参数传递方式
3. 考虑在新项目中使用 ClipStepSizeController 来获得更精确的时间步长控制

这些变更虽然带来了一些迁移成本，但从长远来看将显著提高代码的可靠性和可维护性。对于科学计算和机器学习应用，特别是那些涉及复杂微分方程的场景，升级到 v0.7.0 版本将获得更好的数值稳定性和更丰富的控制功能。