如何并行化Google Colab笔记本加速cobaya的MCMC运算？

完全可以在Google Colab中并行化Jupyter笔记本里的Cobaya MCMC运算，免费版和付费版Colab均支持利用多核心提升计算速度。

核心资源说明 #

• 免费版Colab虚拟环境默认提供2个vCPU核心，足以支撑常规宇宙学分析的并行MCMC任务；
• 付费版Colab Pro/Pro+可提供更多核心（最高达8个vCPU），能进一步加速大规模运算，但免费版资源已能满足基础并行需求。

Cobaya并行配置方法 #

Cobaya原生支持本地多核心并行，只需在运行配置中指定核心数即可，具体有两种实现方式：

1. Python代码配置 #

在定义Cobaya分析信息字典时，通过run字段设置并行核心数：

import cobaya

# 示例分析配置（可根据需求调整似然、参数范围等）
analysis_info = {
    "likelihood": {"planck_2018_lowl.TT": None},
    "params": {
        "omegabh2": {"prior": {"min": 0.01, "max": 0.04}},
        "omegach2": {"prior": {"min": 0.08, "max": 0.16}},
        "H0": {"prior": {"min": 60, "max": 75}}
    },
    "sampler": {"mcmc": {"n_samples": 2000, "burn_in": 500}},
    "run": {"parallel": 2}  # 指定2个核心并行，也可设为"auto"自动检测可用核心
}

# 启动并行MCMC运算
cobaya.run(analysis_info)

2. YAML配置文件 #

若使用YAML文件作为输入，添加run配置项即可：

likelihood:
  planck_2018_lowl.TT: null
params:
  omegabh2:
    prior: {min: 0.01, max: 0.04}
  omegach2:
    prior: {min: 0.08, max: 0.16}
  H0:
    prior: {min: 60, max: 75}
sampler:
  mcmc:
    n_samples: 2000
    burn_in: 500
run:
  parallel: 2

注意事项 #

• 并行核心数不要超过Colab虚拟机实际可用核心数，可在Colab单元格中执行!nproc命令查看当前核心数量；
• 免费版Colab存在运行时长和内存限制，长时间大规模并行运算可能被系统强制断开，建议定期保存运算结果；
• 确保所用似然函数支持并行计算，Cobaya官方提供的宇宙学似然（如Planck、WMAP相关）均已适配并行机制。

内容的提问来源于stack exchange，提问作者Biagio De Simone