Colibri：用于快速进行 PDF 拟合的新工具
Colibri: A new tool for fast-flying PDF fits
AI总结：
本文发布开源 Python 工具 Colibri，支持自定义 PDF 模型、快速可观测量计算及 Hessian、Monte Carlo replica 与 Bayesian 方法，并通过 DIS 闭合测试验证其拟合能力。
摘要：
我们介绍 Colibri，这是一个开源 Python 代码，为 PDF 拟合提供通用且灵活的工具。该代码的构建方式使用户能够实现自己的 PDF 模型，并利用 Colibri 的内置功能快速计算可观测量。它便于使用实验数据以及多种误差传播方法，包括 Hessian 方法、Monte Carlo replica 方法，以及一种高效的数值 Bayesian 采样算法。为展示 Colibri 的能力，我们考虑其最简单的应用：多项式 PDF 参数化。我们使用一整套 DIS 数据执行闭合测试，并将 Hessian 和 Monte Carlo 拟合结果与 Bayesian 拟合结果进行比较。我们进一步讨论该示例中展示的功能如何扩展到更复杂的 PDF 参数化。特别是，Colibri 中的 Bayesian 框架为模型选择和模型平均提供了有原则的方法，使其成为在可靠统计基础上对不同 PDF 参数化进行基准测试和组合的宝贵工具。
英文摘要：
We present Colibri, an open-source Python code that provides a general and flexible tool for PDF fits. The code is built so that users can implement their own PDF model, and use the built-in functionalities of Colibri for a fast computation of observables. It grants easy access to experimental data, several error propagation methodologies, including the Hessian method, the Monte Carlo replica method, and an efficient numerical Bayesian sampling algorithm. To demonstrate the capabilities of Colibri, we consider its simplest application: a polynomial PDF parametrisation. We perform closure tests using a full set of DIS data and compare the results of Hessian and Monte Carlo fits with those from a Bayesian fit. We further discuss how the functionalities illustrated in this example can be extended to more complex PDF parametrisations. In particular, the Bayesian framework in Colibri provides a principled approach to model selection and model averaging, making it a valuable tool for benchmarking and combining different PDF parametrisations on solid statistical grounds.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
