numba.prange 表现不佳

我正在尝试整理一个简单的示例来说明numba.prange为自己和一些同事使用的好处，但我无法获得不错的加速。我编写了一个简单的 1D 扩散求解器，它基本上在一个长数组上循环，组合元素i+1、i和i-1，并将结果写入i第二个数组的元素。对于并行 for 循环，这应该是一个非常完美的用例，类似于 Fortran 或 C 中的 OpenMP。

我的完整示例如下：

import numpy as np
from numba import jit, prange

@jit(nopython=True, parallel=True)
def diffusion(Nt):
    alpha = 0.49
    x = np.linspace(0, 1, 10000000)
    # Initial condition
    C = 1/(0.25*np.sqrt(2*np.pi)) * np.exp(-0.5*((x-0.5)/0.25)**2)
    # Temporary work array
    C_ = np.zeros_like(C)
    # Loop over time (normal for-loop)
    for j in range(Nt):
        # Loop over array elements (space, parallel for-loop)
        for i in prange(1, len(C)-1):
            C_[i] = C[i] + alpha*(C[i+1] - 2*C[i] + C[i-1])
        C[:] = C_
    return C

# Run once to just-in-time compile
C = diffusion(1)

# Check timing
%timeit C = diffusion(100)

使用 运行时parallel=False，大约需要 2 秒，使用parallel=True大约需要 1.5 秒。我在具有 4 个物理内核的 MacBook Pro 上运行，活动监视器报告 100% 和大约 700% 的 CPU 使用率，有和没有并行化。

我本来预计会有更接近 4 倍的加速。难道我做错了什么？