An explicit and differentiable Wilson-Daubechies-Meyer transform for gravitational-wave data analysis

Technische Zusammenfassung: Eine explizite und differenzierbare Wilson–Daubechies–Meyer-Transformation für die Analyse von Gravitationswellendaten

Problemstellung
Die Zeit-Frequenz-Analyse ist essenziell in der Gravitationswellen-Astronomie (GW) zur Charakterisierung transienter Signale, instrumenteller Artefakte und nicht-stationärer Rauschprozesse. Obwohl die Wilson–Daubechies–Meyer (WDM)-Wavelet-Paket-Transformation bereits in GW-Pipelines (z. B. für Burst-Suchen und LISA-Quellenanalysen) eingesetzt wurde, fehlt eine eigenständige, mathematisch explizite Referenz für Praktiker. Diese Lücke erschwert die Einführung der WDM in moderne, differenzierbare Inferenz-Workflows (wie etwa unter Verwendung von JAX) und kompliziert die Reproduktion von Ergebnissen. Darüber hinaus existieren die theoretischen Grundlagen zwar, doch die spezifischen Implementierungsdetails bezüglich der Koeffizientenanordnung, der Randbedingungen (DC- und Nyquist-Kanäle) sowie der Normalisierungskonventionen wurden bisher nicht in einem einzigen, reproduzierbaren Paket vereinigt.

Methodik
Die Autoren präsentieren wdm_transform, ein Open-Source-Python-Paket, das die WDM-Transformation mit Fokus auf mathematische Explizitheit und Differenzierbarkeit implementiert. Die Methodik umfasst:

1. Mathematische Formulierung: Die Arbeit liefert eine vollständige Herleitung der Vorwärts- und Rückwärtstransformationen. Sie definiert die WDM-Basis mittels einer gleichmäßigen rechteckigen Kachelung der Zeit-Frequenz-Ebene (im Gegensatz zur dyadischen Dekomposition Standard-Wavelets). Die Basisfunktionen werden durch die Kombination einer Wilson-Basis-Paarung (positive und negative Frequenzatome) mit einem glatten Daubechies–Meyer-Frequenzfenster konstruiert.

   • Die Transformation bildet $N$ Zeitbereichsproben auf ein gepacktes Koeffizientengitter der Größe $(N_t, N_f + 1)$ ab, wobei $N = N_t N_f$.
   • Für drei verschiedene Kanaltypen wird eine spezielle Handhabung bereitgestellt: DC ($m=0$), Interieur ($0 < m < N_f$) und Nyquist ($m=N_f$). Die Interieur-Kanäle nutzen einen alternierenden Phasenfaktor $C_{nm}$, um reellwertige, orthogonale Koeffizienten zu gewährleisten, während die Randkanäle als ungepaarte reelle Koeffizienten behandelt werden.
   • Das Daubechies–Meyer-Fenster ist mit einem Cosinus-Taper ($d=1$) definiert, der durch einen Parameter $A \in (0, 1/2)$ gesteuert wird, was eine exakte Partition-of-Unity-Rekonstruktion sicherstellt.

2. Statistische Eigenschaften: Die Arbeit leitet die WDM-Likelihood-Funktion her. Unter der Annahme lokal stationären Rauschens ist die Rausch-Kovarianzmatrix im WDM-Bereich näherungsweise diagonal. Dies ermöglicht die Konstruktion einer „WDM-Whittle-Likelihood“, welche das Zeit-Frequenz-Analogon zur Standard-Whittle-Likelihood im Frequenzbereich darstellt. Die Autoren adressieren explizit die Rangdefizienz der vollen Kovarianzmatrix (aufgrund der Redundanz der Randkanäle) und definieren die Moore-Penrose-Pseudoinverse, um dies in der Likelihood-Berechnung zu handhaben.

3. Implementierung: Das Paket unterstützt NumPy-, CuPy- und JAX-Backends. Das JAX-Backend ermöglicht GPU-Beschleunigung und automatische Differenzierung. Die Implementierung validiert die Vorwärts- und Rückwärtstransformationen durch exakte Round-Trip-Rekonstruktionstests, wodurch die Fließkommapräzision sichergestellt wird.

Zentrale Beiträge

• Explizite Referenz: Die Arbeit dient als pädagogische und in sich geschlossene Referenz für die diskrete WDM-Konstruktion und klärt Konventionen für Normalisierung, Phase, Indizierung und die Behandlung von DC/Nyquist-Kanälen, die zuvor über verschiedene Arbeiten verstreut waren.
• Open-Source-Paket: Die Veröffentlichung von wdm_transform bietet eine vereinheitlichte Schnittstelle für WDM-Transformationen mit CPU- und GPU-Kapazitäten, was die Integration in moderne Python-basierte GW-Inferenz-Pipelines erleichtert.
• Differenzierbarkeit: Durch die Nutzung von JAX ist die Transformation vollständig differenzierbar, was es ermöglicht, dass Gradienten-basierte Sampler (z. B. HMC, NUTS) und die Variationale Inferenz direkt auf WDM-Bereichsdaten operieren können, ohne dass manuelle Ableitungen erforderlich sind.
• Validierung: Die Autoren führen eine rigorose numerische Validierung durch und zeigen, dass der Vorwärts-Rückwärts-Durchlauf die Daten mit Maschinengenauigkeit ($\epsilon_{rt} \lesssim 10^{-16}$) rekonstruiert und dass die Koeffizienten, wie erwartet, für stationäres Rauschen empirisch dekorreliert sind.

Ergebnisse

• Leistungs-Benchmarks: Das Paket erreicht eine Skalierung von $O(N \log N)$. Benchmarks auf einer T4-GPU zeigen, dass das JAX-Backend bei großen Datenströmen ($N=10^6$) etwa 23-mal schneller ist als die NumPy-CPU-Implementierung (16 ms vs. 370 ms).
• Inferenz-Äquivalenz: Als Anwendungsbeispiel verglichen die Autoren die Bayessche Parameterabschätzung für ein gelöstes LISA-Galaktisches Binärsystem sowohl mit der Frequenzbereichs- als auch mit der WDM-Bereichs-Likelihood. Unter einem gemeinsamen stationären Rauschmodell reproduzierte die WDM-Likelihood die Frequenzbereichs-Posteriori-Verteilungen bis auf numerische Präzision. Die Jensen–Shannon-Divergenz zwischen den beiden Posteriori-Verteilungen war vernachlässigbar (Median $5 \times 10^{-6}$ Bits), und die Medianwerte der Posteriori stimmten eng überein.
• Orthogonalität: Empirische Prüfungen bestätigten, dass die Basisfunktionen eine orthogonale Menge bilden, wobei die Vorwärts-dann-Rückwärts-Transformation als Identitätsabbildung auf dem Signalraum wirkt, während die umgekehrte Abbildung (Rückwärts-dann-Vorwärts) beliebige gepackte Arrays korrekt auf den gültigen WDM-Signalunterraum projiziert.

Bedeutung und Ansprüche
Die Autoren stellen explizit klar, dass diese Arbeit nicht die WDM-Transformation selbst einführt, noch dass sie beansprucht, bestehende pipelinespezifische Implementierungen in Bezug auf rohe Geschwindigkeit oder neuartige algorithmische Entdeckungen zu übertreffen. Stattdessen liegt die Bedeutung der Arbeit in:

1. Reproduzierbarkeit und Zugänglichkeit: Die WDM-Transformation durch eine mathematisch explizite, in sich geschlossene Herleitung und Implementierung „leicht anwendbar und reproduzierbar“ zu machen, um sie in modernen Workflows einzuführen.
2. Ermöglichung zukünftiger Optimierung: Den Weg für die systematische Optimierung von WDM-Kachelungen zu ebnen, was besonders vielversprechend für den Umgang mit nicht-stationärem Rauschen, stochastischen Hintergründen und Datenlücken ist, die bei zukünftigen Detektoren wie LISA erwartet werden.
3. Differenzierbare Inferenz: Die notwendige Infrastruktur bereitzustellen, um WDM-Darstellungen in differenzierbaren Inferenz-Pipelines zu verwenden, was einen direkten Vergleich mit alternativen Zeit-Frequenz-Darstellungen ermöglicht und die Nutzung von Gradienten-basierten Methoden erleichtert.

Die Arbeit schließt mit dem Hinweis, dass die aktuelle Implementierung ein spezifisches Fenster ($d=1$) verwendet und für die Validierung von stationärem Rauschen ausgeht, der Rahmen jedoch für zukünftige Erweiterungen, einschließlich höherwertiger Fenster und direkter Wellenformgenerierung im WDM-Bereich, konzipiert ist.