⚡ electrical engineering

A Mixed Precision FFT with applications in MRI

تقدم هذه الورقة تنفيذاً لتحويل فورييه السريع (FFT) بدقة مختلطة يستخدم القياس المجهري لكل كتلة، والقياس المسبق العالمي، وتدويرات (twiddles) مكممة مسبقاً، مما يثبت من خلال تقييمات مجموعة بيانات الرنين المغناطيسي أن دقة المانتيسا هي المحدد الرئيسي للجودة بينما تؤدي أحجام الكتل الأكبر إلى أداء عددي متفوق.

المؤلفون الأصليون: Nikhil Deveshwar, Abhejit Rajagopal, Peder E. Z. Larson

نُشر 2026-02-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Nikhil Deveshwar, Abhejit Rajagopal, Peder E. Z. Larson

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول إرسال صورة ضخمة وعالية الدقة لركبة بشرية أو دماغ من ماسح ضوئي في مستشفى إلى جهاز لوحي للطبيب. للقيام بذلك بكفاءة، يجب على الكمبيوتر ترجمة البيانات الخام (التي تبدو كعاصفة فوضوية من الموجات الراديوية) إلى صورة واضحة. تسمى عملية الترجمة هذه تحويل فوريه السريع (FFT).

فكر في الـ FFT كأنها وصفة ضخمة ومعقدة لتحويل وعاء من المكونات المختلطة (البيانات الخام) إلى كعكة مثالية (الصورة الطبية).

المشكلة: معضلة "الآلة الحاسبة الصغيرة"

تقليديًا، تقوم أجهزة الكمبيوتر بتنفيذ هذه الوصفة باستخدام حسابات "الدقة المزدوجة". الأمر يشبه استخدام آلة حاسبة دقيقة للغاية وثقيلة المهام، تستهلك الكثير من طاقة البطارية وتأخذ مساحة كبيرة. هذا رائع من حيث الدقة، ولكنه بطيء ويستهلك الكثير من الطاقة، خاصة في أجهزة الرنين المغناطيسي المحمولة التي تحتاج للعمل بالبطاريات.

أراد العلماء الانتقال إلى الحسابات "منخفضة الدقة" — أي استخدام آلة حاسبة أصغر وأسرع وأخف وزنًا (مثل آلة حاسبة بـ 8 بت). ولكن هناك مشكلة: إذا استخدمت آلة حاسبة صغيرة لوصفة ضخمة، فإنك تخاطر بوقوع كارثتين:

الفيض (Overflow): تصبح الأرقام كبيرة جدًا، فتنفجر الآلة الحاسبة (تتشوه الصورة).
النقص (Underflow): تصبح الأرقام صغيرة جدًا، فتتجاهلها الآلة الحاسبة تمامًا (تفقد التفاصيل الدقيقة للصورة).

الحل: "الشيف الذكي" في ضبط المقاييس

تقدم هذه الورقة طريقة جديدة لطهي الوصفة باستخدام الدقة المختلطة (Mixed Precision). بدلًا من مجرد استخدام آلة حاسبة صغيرة لكل شيء، ابتكروا نظامًا ذكيًا يحتوي على ثلاث حيل خاصة:

1. "مقبض التحكم العالمي" (Global Prescale)

قبل بدء الوصفة، ينظر النظام إلى أكبر وأصغر المكونات. يقوم بضبط "مقبض تحكم" (مقياس يعتمد على قوى العدد 2) للتأكد من أن أكبر المكونات تناسب الآلة الحاسبة دون أن تنفجر، وأن أصغر المكونات مسموعة بما يكفي.

التشبيه: تخيل أنك تقوم بضبط مستوى الصوت في الراديو قبل بدء أغنية. أنت ترفع الصوت بحيث تكون الهمسات الهادئة مسموعة، لكنك تخفضه حتى لا تصم الطبول الصاخبة أذنيك. هذا يضمن أن كل شيء يناسب "نطاق الاستماع".

2. "التجمع في مجموعات" (Microscaling أو MX)

هذا هو الابتكار الرئيسي للورقة البحثية. بدلًا من إعطاء كل رقم آلة حاسبة صغيرة خاصة به، يقوم النظام بتجميع الأرقام في فرق صغيرة (كتل مكونة من 32 رقمًا).

كيف يعمل: يتشارك الفريق بأكد مجهودهم في مقبض تحكم واحد (أس مشترك). وداخل الفريق، يستخدم الجميع تنسيق أرقام بسيط للغاية (مثل الأرقام العائمة بـ 8 بت).
التشبيه: تخيل جوقة موسيقية. بدلًا من أن يكون لكل مغنٍ قائد خاص به، يتم تقسيمهم إلى مجموعات صغيرة من 3 32 شخصًا. كل مجموعة لديها قائد واحد يحدد مستوى الصوت للمجموعة بأكملها. قد تكون أصوات المغنيين داخل المجموعة غير مثالية تمامًا (دقة منخفضة)، ولكن لأنهم جميعًا يغنون معًا تحت قيادة واحد، فإن المجموعة تبدو رائعة. هذا يوفر قدرًا هائلًا من الطاقة لأنك لا تحتاج إلى قائد لكل نوتة موسيقية.

3. "شبكة الأمان" (High-Precision Accumulation)

حتى لو كان المغنون يستخدمون أصواتًا بسيطة، فعندما يجمعون أصواتهم معًا لصنع النغمة النهائية، يستخدم النظام آلة حاسبة "فائقة الدقة" (32 بت) لدمجهم.

التشبيه: يقوم المغنون (الحسابات منخفضة الدقة) بالعمل الشاق، ولكن عملية المزج النهائي تتم بواسطة مهندس صوت محترف (حسابات عالية الدقة) لضمان عدم فقدان أي تفصيل في المزيج النهائي.

ماذا وجدوا؟

اختبر الباحثون نظام "الشيف الذكي" هذا على بيانات حقيقية لرنين مغناطيسي لأدمغة وركب. وإليكم ما اكتشفوه:

"الأصابع" أهم من "النطاق": وجدوا أن الجزء الأكثر أهمًا في الرقم ليس مدى كبر حجمه (الأس)، بل عدد "الأصابع" التي يمكنه العد بها (المانتيسا/الكسر).
- نسخة مبسطة: من الأفضل أن يكون لديك رقم يمكنه العد حتى 100 بتفاصيل عالية (دقة 3 بت) من رقم يمكنه العد حتى مليون ولكن بخطوات ضخمة وضبابية (دقة 2 بت).
- النتيجة: التنسيقات التي تمتلك 3 "أصابع" (MXFP8-E4M3) أنتجت صورًا واضحة تمامًا، بينما التنسيقات التي تمتلك إصبعين فقط جعلت الصور تبدو ضبابية ومليئة بالضجيج.
المجموعات الأكبر تعمل بشكل أفضل: وجدوا أن وجود مجموعات أكبر (كتل من 32) كان أفضل من المجموعات الصغيرة جدًا (كتل من 2).
- التشبيه: إذا كان لديك مجموعة من 2، فستحتاج إلى قائد جديد كل ثانيتين. أما إذا كان لديك مجموعة من 32، فإن القائد يبقى في منصبه لفترة أطول، مما يجعل العملية أكثر سلاسة وكفاءة.
اختبار "الرحلة الكاملة": اختبروا النظام عن طريق تحويل البيانات إلى صورة ثم تحويل تلك الصورة مرة أخرى إلى بيانات. وجدوا أن الأخطاء في الخطوة الأولى (صنع الصورة) لا يمكن إصلاحها في الخطوة الثانية. بمجرد فقدان التفصيل، يضيع للأبد.

لماذا يهم هذا الأمر؟

هذا البحث هو جسر بين الرياضيات التقليدية وأجهزة الذكاء الاصطناي الحديثة الموفرة للطاقة.

من أجل المستقبل: يمكن لهذه التقنية أن تسمح لأجهزة الرنين المغناطيسي المحمولة (مثل تلك التي بحجم حقيبة السفر) بإنتاج صور عالية الجودة دون الحاجة إلى أجهزة كمبيوتر ضخمة تستهلك طاقة هائلة.
الخلاية المختصرة: لست بحاجة إلى كمبيوتر خارق للقيام بالرنين المغناطيسي إذا كنت ذكيًا في كيفية تجميع أرقامك. من خلال استخدام "التجمعات" (MX) والحفاظ على حدة "الأصابع" (الدقة)، يمكننا الحصول على صور طبية واضحة باستخدام طاقة أقل بكثير.

باخت-القول: لا تكتفِ بتصغير الآلة الحاسبة؛ بل نظم الرياضيات بحيث تستطيع الآلة الحاسبة الصغيرة القيام بمهمة كبيرة دون أن تتعطل.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تحويل فورييه السريع مختلط الدقة مع تطبيقات في التصوير بالرنين المغناطيسي".

1. بيان المشكلة

يُعد تحويل فورييه السريع (FFT) عملية أساسية في التصوير بالرنين المغناطيسي (MRI) لتحويل البيانات في نطاق التردد (k-space) إلى نطاق الصورة. ومع ذلك، فإن نشر عمليات FFT على الأجهزة الطرفية والمدمجة (مثل أجهزة التصوير بالرنين المغناطيسي المحمولة) يتطلب تقليل حركة البيانات في الذاكرة واستهلاك الطاقة.

التحدي: غالبًا ما يؤدي التكميم منخفض الدقة البدائي في عمليات FFT ذات القيم المركبة إلى أخطاء تجاوز الحد (overflow) أو انخفاضه (underflow) وفقدان كبير في الدقة.
الفجوة: بينما بدأت تنسيقات النقطة العائمة 8-بت (FP8) وتنسيقات القياس المجهري (MX) في الظهور في مجال الذكاء الاصطناत्मक (مثل محرك NVIDIA Transformer وOpen Compute Project)، فإن تطبيقها على عمليات FFT ذات القيم المركبة في التصوير الطبي لا يزال محدودًا. ركزت الدراسات السابقة على القياس الثابت أو نوى تعلم آلي محددة (GEMM)، مفتقرةً إلى التحقق من خصائص النطاق الديناميكي وانتشار الخطأ المحددة في إعادة بناء صور الرنين المغ مغناطيسي.

2. المنهجية

يقترح المؤلفون تنفيذًا لـ تحويل فورييه السريع مختلط الدقة (Mixed Precision FFT) يدمج القياس بأسلوب MX مع التكميم منخفض البت، وهو مصمم خصيصًا لعمليات الفراشة (butterfly operations) المركبة.

أ. المعايرة المسبقة العالمية بقوى العدد 2 (Global Power-of-Two Prescale)

لمنع تجاوز الحد أو انخفاضه قبل بدء حساب FFT:

يتم تطبيق معايرة مسبقة واحدة عالمية بقوى العدد 2 على بيانات المدخلات.
الآلية: تقوم الخوارزمية بتحليل المدخلات لإيجاد ذروة القيمة المطلقة العالمية ( $a_{max}$ ) ونسبة مئوية محددة من المدخلات غير الصفرية ( $p_\tau$ ).
تقوم بحساب أسّين مرشحين: أحدهما لتقليص الذروة إلى قيمة مستهدفة، والآخر لرفع "الذيل" (القيم الصغيرة) فوق حد أدنى محدد من قبل المستخدم.
يتم تطبيق المتطلب الأكثر صرامة باستخدام دالة ldexp لضمان احتواء النطاق الديناميكي بأكمله ضمن حدود الدقة المستهدفة.

ب. عمليات الفراشة المركبة بمقياس MX

تم تكييف جوهر حساب FFT (خوارزمية Cooley–Tukey) باستخدام تنسيقات القياس المجهري (MX):

المعالجة بالكتل (Block Processing): تتم معالجة البيانات في كتل مركبة صغيرة (على سبيل المثال، $B=32$ عنصر حقيقي).
تدفق التكميم:
1. الترميز: يتم ترميز كتل المعاملات (العوامل المدوّرة own twiddles والبيانات) في تنسيق FP8/MX، مع استخراج مقياس كتلة مشترك ومانتيسات (mantissas) بنظام FP8.
2. الضرب: تُجرى عملية الضرب المركب على المانتيسات بدقة أعلى (من خلال معاملتها فعليًا كأعداد صحيحة أو أعداد عائمة عالية الدقة).
3. إعادة التطبيع (Re-normalization): إذا تجاوز مقدار الناتج حدود التنسيق، يتم إعادة تطبيع الكتلة.
4. التجميع: يتم إعادة تعبئة النواتج في كتلة MX جديدة. ومن الأهمية بمكان أن عمليات الجمع والطرح للفراشة (التجميع) تُجرى في FP32 لتقليل تراكم الخطأ.
العوامل المدوّرة (Twiddles): يتم تكميم العوامل المدوّرة المركبة مسبقًا إلى FP8.

ج. إعداد التقييم

مجموعات البيانات: تم استخدام مجموعتين عامتين من بيانات الرنين المغناطيسي: fastMRI (دماغ ثنائي الأبعاد، fast spin-echo) و SKM-TEA (ركبة ثلاثية الأبعاد، gradient recalled echo).
المقاييس: نسبة الإشارة إلى الضجيج القصوى (PSNR)، مؤشر التشابه الهيكلي (SSIM)، ومتوسط الخطأ التربيعي المعياري (NMSE).
المقارنات: تمت مقارنة FFT مختلط الدقة المقترح مع:
1. FFT قياسي بنظام NumPy FP32 (الحقيقة الأرضية).
2. تحكم إيجابي بنظام FP16 (مع تجميع FP32).
3. تنسيقات MX متنوعة (MXFP8-E4M3، MXFP8-E5M2، MXFP6-E2M3، إلخ).

3. المساهمات الرئيسية

بنية مبتكرة: أول تكييف للقياس لكل كتلة بأسلوب MX وتكميم FP8 خصيصًا لعمليات الفراشة لـ FFT ذات القيم المركبة في سياق الرنين المغناطيسي.
استراتيجية الدقة الهجينة: تقديم المعايرة المسبقة العالمية بالتزامن مع القياس المجهري (MX) لكل كتلة وتجميع FP32، مما يربط بين مفاهيم النقطة العائمة الكتلية (BFP) الكلاسيكية وقدرات الأجهزة الحديثة بنظام FP8.
دراسة استئصال شاملة (Ablation Study): تحليل منهجي لكيفية تأثير دقة المانتيسا، نطاق الأس، حجم الصورة، وحجم الكتلة على دقة الصورة في كل من سيناريوهات FFT الأمامي والدورة الكاملة (العكسي).

4. النتائج

أداء التنسيقات:
- قدم تنسيق MXFP8-E4M3 (4 بت للأس و3 بت للمانتيسا) أفضل أداء كمي بين تنسيقات FP8، حيث تتبع نتائج FP16 عن كثب.
- التنسيقات التي تحتوي على 2 بت فقط للمانتيسا (مثل E5M2، E3M2) عانت من تدهور كبير في جودة الصورة، مما يشير إلى أن دقة المانتيسا هي المحدد الرئيسي تحت قياس MX، وليس نطاق الأس.
- أدى MXFP6-E2M3 إلى أداء جيد في عمليات FFT الأمامية ولكنه أظهر قيودًا في سيناريوهات الدورة الكاملة مقارنة بـ E4M3.
مقايضات حجم الكتلة:
- تفوقت أحجام الكتل الأكبر ( $B=32$ ) بشكل كبير على الكتل الأصغر ( $B=2$ ).
- تؤدي الكتل الصغيرة ( $B=2$ ) إلى كثرة حدود إعادة القياس، مما يضخم أخطاء التقريب.
- تعمل الكتل الأكبر ( $B=8, 32$ ) على تقليل عبء المقياس/البيانات الوصفية، وتثبيت الإحصائيات، وتحسين PSNR/NMSE. لوحظت عوائد متناقصة بعد $B=8$ لبعض التنسيقات.
حجم الصورة: كان لزيادة حجم الصورة (من $64\times64$ إلى $256\times256$ ) تأثير ضئيل على المقاييس، مما يشير إلى أن خطوات التكميم ثابتة بغض النظر عن الدقة.
أخطاء الدورة الكاملة (Round-Trip Errors): أظهرت التحويلات العكسية (الدورة الكاملة) أخطاءً تراكمية مقارنة بالتحويلات الأمامية فقط بسبب إدخال خطوة تكميم ثانية وعملية التطبيع ( $1/N^2$ )، مما يسلط الضوء على صعوبة الحفاظ على الدقة في إعادة البناء التكراري.

5. الأهمية والخاتمة

الأهمية السريرية: تثبت الدراسة أن عمليات FFT مختلطة الدقة يمكن أن تكون قابلة للتطبيق في إعادة بناء صور الرنين المغناطيسي، مما قد يتيح تصويرًا أسرع وأقل استهلاكًا للطاقة على الأجهزة المحمولة.
إرشادات التصميم: خلص المؤلفون إلى أنه بالنسبة لعمليات FFT المعتمدة على مقياس MX ومختلطة الدقة:
- عرض المانتيسا أكثر أهمية من نطاق الأس للحفاظ على جودة الصورة.
- تجميع FP32 أمر ضروري.
- يجب أن تكون أحجام الكتل كبيرة بما يكفي (على سبيل المثال، $B=32$ ) لتقليل عبء إعادة القياس.
- التنسيق المفضل: يوفر MXFP8-E4M3 مع $B=32$ أفضل توازن بين السرعة والدقة.
الآفاق المستقبلية: رغم أنها ليست جاهزة سريريًا لجميع المجالات بعد، إلا أن هذا العمل يوفر أساسًا لتسريع خطوط أنابيب إعادة بناء الصور التكرارية ناقصة العينات حيث يتم تنفيذ أزواج متعددة من FFT/iFFT في كل تكرار. يقترح المؤلفون دمج خطوات الترميز، والتحويل الأمامي، والعكسي، وفك الترميز لتقليل فقدان الدورة الكاملة بشكل أكبر.