astroABC: 一种用于宇宙学参数估计的近似贝叶斯计算序贯蒙特卡洛采样器

鉴于现代宇宙学参数推断的复杂性——我们面临着非高斯数据和噪声、关联的系统误差以及多探针关联数据集，在似然函数难以处理或未知的情况下，近似贝叶斯计算 (ABC) 方法是传统马尔可夫链蒙特卡洛方法的一种有前景的替代方案。ABC 方法被称为“无似然”方法，因为它通过使用可包含系统误差的数据前向模型模拟，避免了似然函数的显式计算。我们介绍了 astroABC，一个用于参数估计的开源 ABC 序贯蒙特卡洛 (SMC) 采样器。天体物理学中的一个关键挑战是高效利用大型多探针数据集来约束高维、可能相关的参数空间。考虑到这一点，astroABC 允许使用 MPI 进行大规模并行化，MPI 是一个处理跨多个节点作业派生的框架。astroABC 的一个关键新特性是能够创建具有不同通信器的 MPI 组，一个用于采样器，其他几个用于前向模型模拟，这大大加快了采样时间。对于较小的作业，也可使用 Python 多进程选项。其他关键特性包括：序贯蒙特卡洛采样器；一种迭代调整容差水平的方法；使用 scikit-learn 的 KDTree 进行局部协方差估计；用于为分量式或多元正态扰动核指定最优协方差矩阵的模块；每次迭代都备份的输出和重启文件；用户定义的度量和模拟方法；用于指定异质参数先验（包括非标准先验 PDF）的模块；用于指定常数、线性、对数或指数容差水平的模块；文档齐全的示例和示例脚本。此代码托管于 https://github.com/EliseJ/astroABC。