并行求解微分方程,python

我在数值上求解一个取决于参数的微分方程.我对解决方案并不感兴趣,而是根据参数的值对其行为感兴趣.由于我想要一个非常精确的描述,我必须使用非常精细的参数值,从而产生大量的ODE求解过程.所以我想知道是否可以“并行化”这样的程序.我的想法是,我的计算机的每个处理器都可以为一组不同的参数解决ODE问题.一种例子如下：

import matplotlib.pyplot as plt
from scipy.integrate import ode
import numpy as np

# - ODE - #
def sys(t,x,p1,p2): #p1 and p2 are the parameters
    dx=np.zeros(2)
    dx[0] = x[1]
    dx[1] = (p1+p2*cos(t))*x[0]
    return dx

t0=0; tEnd=10; dt=0.01
r = ode(sys).set_integrator('dopri5',nsteps=10,max_step=dt)
Y=[];S=[];T=[]
ic=[.1,0] 
# - parameters range - # 
P1=np.linspace(0,1,100)
    P2=np.linspace(0,100)
# -------------------- #
for p1 in P1:
    for p2 in P2:
        r.set_initial_value(ic,t0).set_f_params(p1,p2)
        flag='No'
        while r.successful() and r.t +dt < tEnd:
            r.integrate(r.t+dt)
            Y.append(r.y)
            T.append(r.t)
                #-This is what we want to know.
            if r.y[0]>2*ic[0]:
                flag='Yes'
                break
        if flag=='Yes':     
            plt.scatter(p1,p2,s=1,c='k',marker='.')
# ------------------------------------ #
plt.show()

请注意,每个for循环都是独立的,因此：是否可以以并行方式生成for循环？所以我想我的8个处理器中的每个处理器有可能一次做一个双循环,然后可能使计算速度大约快8倍？或者至少更快？