我尝试使用浮动128来提高非常“粗糙”的模拟的准确性。然而，我在NumPy的Cholesky分解中遇到了一个瓶颈，它接受的浮点数不超过64。

**问题：**1）有没有办法用np.float128做Cholesky？（我可以使用另一个图书馆。

请参阅下面的一些代码来重现问题：

import numpy as np

def get_fractional_std_matrix(t: np.ndarray, H: float):
    s = t[np.newaxis, 1:]
    u = t[1:, np.newaxis]
    H2 = 2 * H
    cov_matrix = ((s ** H2) + (u ** H2) - (np.abs(s - u) ** H2)) / 2

    N = len(t)
    std_matrix = np.zeros(shape=(N, N), dtype=t.dtype)
    std_matrix[1:, 1:] = np.linalg.cholesky(cov_matrix.astype(t.dtype))
    return std_matrix

H = 0.1
t = np.linspace(start=0, stop=1, num=100).astype(np.longdouble)
get_fractional_std_matrix(t=t, H=H)  # TypeError: array type float128 is unsupported in linalg

有趣的是，在Repliky中添加.astype(dtype)给了我几乎相同的错误，在64位的机器上：

# TypeError: array type float64 is unsupported in linalg