嵌套采样算法由Skilling于2004年在贝叶斯推理和计算的背景下引入。NS算法通过在参数空间中演化一组活动点来解决否则具有挑战性的高维积分。该算法立即被宇宙学采用，因为它部分地克服了传统贝叶斯计算算法马尔可夫链蒙特卡罗的三大困难。首先，它同时返回模型比较和参数推断的结果。其次，它在多模态问题中是成功的。第三，它自然是自调整的，允许它立即应用于新问题。在此后的15年中，该算法的理论正确性和与其他计算方法的联系已得到部分澄清，并开发了NS的有效实现、变体和交叉检查。应用范围现在已超越宇宙学，进入许多其他科学分支，是现代物理研究中非常重要的数据分析方法。

图1：双星黑洞合并信号GW151226源的天空位置。橙色表示来自NS的后验概率分布。

近期，我校博彩论坛 Andrew Fowlie副教授应邀与合作者撰写的题为“Nested sampling for physical scientists”的综述论文。Andrew Fowlie为论文的唯一通讯作者。文中总结了NS算法的实现和变体，包括自其诞生以来的发展、实验和结果中NS的结果。我们描述了宇宙学、引力波天文学、粒子物理学和材料科学在应用中的科学应用。概述了使用NS时的最佳实践，包括再现性和数据沉积，并讨论了该技术的局限性和优化问题。最后，展望了NS和贝叶斯计算的未来。该论文发表在国际重要综述期刊《Nature Reviews Methods Primers》。作为Nature系列子刊，《Nature Reviews Methods Primers》以综述文章的形式为读者提供各种科学方法的概述及其在不同研究问题上的应用，每周出版一次。期刊上的所有文章都将采取约稿形式，涵盖生命科学和物理科学中使用的分析、应用、统计、理论和计算方法。该研究得到了国家自然科学基金委、前沿物理与交叉科学研究院、理论物理研究所、彭桓武科教合作中心等资助。

论文链接：//www.nature.com/articles/s43586-022-00121-x