不，没有简单的方法，你必须使用一些复杂的方法，你已经找到了，而查找这个。CPython有一个全局解释器锁，这将阻止您在Python解释器级别利用并行性。
但你的方法并不理想。
对于初学者来说，你不需要重新计算

sum([j**(1/2) for j in range(10**4)])

在每一次迭代中。如果你只是这样做：

N = 100000
a = np.zeros(N)
x = sum([j**(1/2) for j in range(10**4)])
for i in range(N):
    a[i] = i**2 + x

您的代码将明显更快（可能比简单地添加并行性要快）。
但更根本的是，也许你不应该这样使用numpy，它会很慢，它是为 * 矢量化操作 * 而设计的。
所以你真正想要的只是：

a = (np.arange(N)**2) + np.sqrt(np.arange(10**4)).sum()

所以，为了强调选择正确的算法有多重要，这里是通过这样做你得到了多少改进，在这种情况下，在每次迭代中不需要重新计算，你只需要做一次：

In [1]: import numpy as np

In [2]: %%timeit
   ...: N = 10000
   ...: a = np.zeros(N)
   ...: for i in range(N):
   ...:     a[i] = i**2 + sum([j**(1/2) for j in range(10**4)])
   ...:
9.1 s ± 69.1 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [3]: %%timeit
   ...: N = 10000
   ...: a = np.zeros(N)
   ...: x = sum([j**(1/2) for j in range(10**4)])
   ...: for i in range(N):
   ...:     a[i] = i**2
   ...:
2.06 ms ± 25.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

所以这样做的话会提高几个数量级。
numpy矢量化可以进一步改善这一点：

In [5]: N = 10000

In [6]: %timeit (np.arange(N)**2) + np.sqrt(np.arange(10**4)).sum()
37.3 µs ± 763 ns per loop (mean ± std. dev. of 7 runs, 10,000 loops ea

因此，在尝试使用并行性解决问题之前，首先要确保您的算法是理想的，特别是对于像这样容易实现的问题。然后确保你在使用numpy这样的工具时充分利用了它们的优势。