RUN DMC：一种利用 N 体积分与差分演化马尔可夫链蒙特卡洛分析径向速度观测的高效并行代码

在恒星多普勒观测的 20 多年里，科学家们发现了多样化的系外多行星系统。表征这些行星轨道要素的常用技术是马尔可夫链蒙特卡洛（MCMC），该方法使用带有随机游走提议的开普勒模型，并结合 Metropolis-Hastings 算法。对于大约几十个具有多普勒观测数据的行星系统，由于系统处于或接近平均运动共振（MMR），存在强烈的行星 - 行星相互作用。通常需要 N 体模型来准确描述这些系统。进一步的计算困难源于探索高维参数空间（$\sim$7 × 行星数量），该空间可能具有复杂的参数相关性。为了克服这些挑战，我们引入了一种应用于径向速度数据并结合自洽 N 体积分的差分演化 MCMC（DEMCMC）。我们的“利用 N 体 DEMCMC 进行径向速度分析”（RUN DMC）算法通过使用马尔可夫链集合来自适应地改进提议分布，从而优于传统 MCMC 的随机游走提议分布。我们描述了该算法背后的方法论，以及准确性和性能测试的结果。我们发现大多数算法参数对收敛速率的影响适中。然而，集合的大小会对性能产生显著影响。我们表明，最佳选择取决于系统中的行星数量、所使用的计算机架构以及由此产生的并行化程度。虽然最佳算法参数的确切选择不可避免地会因个别行星系统的细节而异，但我们为选择 DEMCMC 算法的参数提供了建议，这些参数可使各种行星系统获得卓越的性能。