⚡ electrical engineering

A Mixed Precision FFT with applications in MRI

El artículo presenta una implementación de la Transformada Rápida de Fourier (FFT) de precisión mixta utilizando microescalado por bloques y factores de escala globales, demostrando que la precisión de la mantisa es el principal limitante de la fidelidad en imágenes de resonancia magnética, mientras que tamaños de bloque más grandes mejoran el rendimiento numérico.

Autores originales: Nikhil Deveshwar, Abhejit Rajagopal, Peder E. Z. Larson

Publicado 2026-02-18

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Nikhil Deveshwar, Abhejit Rajagopal, Peder E. Z. Larson

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Hola! Imagina que tienes una receta secreta para hacer un pastel perfecto (en este caso, una imagen médica de un MRI). Tradicionalmente, para seguir esta receta, los chefs (las computadoras) usan tazas de medir de cristal muy precisas y pesadas. El problema es que esas tazas son lentas de mover y ocupan mucho espacio en la alacena (memoria).

Este artículo presenta una nueva forma de cocinar: una "FFT de precisión mixta". En lugar de usar tazas de cristal pesadas para todo, usan una combinación inteligente de tazas pequeñas y ligeras, pero con un truco especial para que el pastel no se arruine.

Aquí te explico cómo funciona, paso a paso, con analogías sencillas:

1. El Problema: ¿Cómo medir sin romper nada?

La FFT (Transformada Rápida de Fourier) es como un traductor mágico que convierte datos crudos (sonidos o frecuencias) en una imagen que los médicos pueden ver.

El desafío: Si intentas usar números muy pequeños (para ahorrar espacio) sin cuidado, puedes cometer dos errores:
- Desbordamiento (Overflow): El número es tan grande que explota la taza.
- Subdesbordamiento (Underflow): El número es tan pequeño que se vuelve invisible (como una gota de agua en el océano).

2. La Solución: El "Truco del Escalador" (Prescale)

Antes de empezar a cocinar, los autores hacen un paso previo muy importante llamado pre-escalamiento global.

La analogía: Imagina que tienes una montaña de datos. Algunos picos son altísimos y algunos valles son muy profundos. Antes de empezar, tomas una regla mágica (una potencia de 2) y ajustas toda la montaña:
- Si la montaña es muy alta, la bajas un poco para que no toque el cielo.
- Si los valles son demasiado profundos, los levantas un poco para que no se pierdan en la oscuridad.
Resultado: Ahora todos los ingredientes están en un rango "seguro" donde no se romperán las tazas pequeñas.

3. El Corazón del Asunto: Las "Micro-Tazas" (MX Scaling)

Aquí es donde entra la magia de la precisión mixta. En lugar de usar una sola taza grande para todo el pastel, dividen los ingredientes en pequeños grupos (bloques).

La analogía: Imagina que tienes 32 amigos cocinando juntos. En lugar de que cada uno tenga su propia balanza de laboratorio (que es cara y lenta), comparten una sola balanza pequeña por grupo.
- Si un grupo tiene ingredientes muy grandes, ajustan la balanza para ese grupo.
- Si otro grupo tiene ingredientes pequeños, ajustan su propia balanza.
El truco: Usan tazas muy pequeñas (formato de 8 bits, como si fueran tazas de café) para mezclar los ingredientes, pero guardan los resultados en un recipiente grande y seguro (precisión FP32) para que no se pierda nada de sabor.

4. ¿Qué descubrieron? (Los Resultados)

Los autores probaron esto con imágenes reales de rodillas y cerebros. Aquí están sus hallazgos principales:

Lo más importante es la "precisión de los detalles" (Mantisa):
- Imagina que tienes dos tipos de tazas: una que mide hasta el milímetro (3 dígitos de precisión) y otra que solo mide hasta el centímetro (2 dígitos).
- Descubrieron que es mejor tener más dígitos de precisión (medir milímetros) incluso si el rango de la taza es más pequeño. Si solo tienes 2 dígitos, el pastel se ve borroso y pixelado, sin importar cuánto ajustes la balanza.
- Conclusión: No intentes ahorrar espacio sacrificando los detalles finos.
El tamaño del grupo importa:
- Si los grupos son demasiado pequeños (solo 2 personas), tienen que ajustar la balanza constantemente, lo que genera ruido y errores.
- Si los grupos son de tamaño medio o grande (8 o 32 personas), la balanza se estabiliza y el pastel sale más limpio.
- Conclusión: Grupos más grandes = mejor calidad de imagen.
El viaje de ida y vuelta:
- En medicina, a veces necesitas convertir la imagen a datos y luego volver a convertirla a imagen (ida y vuelta).
- Descubrieron que si haces el viaje de vuelta con las mismas tazas pequeñas, los errores se acumulan (como si te pusieras gafas sucias dos veces). Pero si usas las tazas correctas (MXFP8-E4M3), la imagen final sigue siendo muy clara.

5. ¿Por qué es esto importante para ti?

Hoy en día, los escáneres de MRI son grandes, caros y lentos.

El futuro: Esta técnica permite usar computadoras más pequeñas, baratas y con menos consumo de energía (como las que llevas en tu bolsillo o en un escáner portátil) para hacer imágenes médicas de alta calidad.
La promesa: Podríamos tener escáneres de resonancia magnética más rápidos, más baratos y que consuman menos batería, sin sacrificar la calidad del diagnóstico.

En resumen:
Los autores crearon un método para "cocinar" imágenes médicas usando herramientas más ligeras y rápidas. Su secreto no es usar herramientas más grandes, sino ajustar bien el nivel de los ingredientes al principio y agrupar a los trabajadores de forma inteligente, asegurándose de que los detalles pequeños (los milímetros) no se pierdan. ¡Y así, con menos energía, obtenemos un pastel (imagen) delicioso y perfecto!

Resumen Técnico: FFT de Precisión Mixta con Microescalado para Resonancia Magnética

1. Problema y Motivación

La Transformada Rápida de Fourier (FFT) es fundamental en el procesamiento de señales e imágenes, especialmente en la Resonancia Magnética (MRI), donde se utiliza para convertir datos del dominio de la frecuencia (espacio-k) al dominio de la imagen.

Desafío: En plataformas de borde y embebidas (como escáneres MRI portátiles o de bajo costo), reducir el tráfico de memoria y el consumo de energía es crítico. Esto ha impulsado el interés en aritmética de baja precisión.
Limitación Actual: La cuantización ingenua de FFTs de baja precisión en valores complejos suele provocar errores de desbordamiento (overflow) o subdesbordamiento (underflow), así como una pérdida significativa de precisión.
Contexto: Aunque existen estándares recientes como FP8 (NVIDIA Transformer Engine) y formatos de microescalado (MX) del Open Compute Project (OCP), su aplicación directa a las operaciones de "mariposa" complejas de la FFT no está bien caracterizada, especialmente en comparación con los kernels GEMM (multiplicación de matrices) tradicionales.

2. Metodología Propuesta

Los autores presentan una implementación de FFT de precisión mixta que combina técnicas de escalado global y local para mantener la fidelidad numérica.

A. Preescalado Global (Potencia de 2):
- Antes de calcular la FFT, se aplica un único factor de escala global basado en potencias de dos.
- Objetivo: Evitar desbordamientos y subdesbordamientos ajustando los picos de la entrada a un objetivo deseado y elevando las "colas" de baja magnitud por encima de un umbral definido por el usuario.
- Se calculan dos exponentes candidatos: uno para posicionar el pico máximo y otro para levantar la cola de percentil $\tau$ por encima del suelo mínimo ( $\tau_{min}$ ). Se aplica el requisito más estricto.
B. Operaciones de Mariposa con Microescalado (MX):
- Se implementan las multiplicaciones complejas con "twiddles" (factores de rotación) dentro de las operaciones de mariposa de Cooley-Tukey utilizando el formato MXFP8 (Microscaling).
- Bloques: Los operandos se dividen en bloques pequeños (ej. $B=32$ elementos reales). Cada bloque comparte un exponente.
- Proceso:
  1. Codificación de bloques en FP8/MX.
  2. Extracción de las mantisas para realizar la multiplicación compleja en el espacio de las mantisas.
  3. Acumulación en FP32: Las sumas y restas de la mariposa se realizan en precisión simple (FP32) para preservar la precisión.
  4. Re-normalización: Si el producto excede el rango de la mantisa del formato, el bloque se re-escala.
- Se utilizan funciones auxiliares (EncodeBlockMX, MantissasBlock, etc.) basadas en la API gfloat.
C. Configuración de Evaluación:
- Datos: Dos conjuntos de datos públicos de MRI: fastMRI (cerebro, 2D) y SKM-TEA (rodilla, 3D).
- Métricas: Se evalúa la fidelidad de la FFT hacia adelante (Forward) y de ida y vuelta (Round-trip) utilizando PSNR, SSIM y NMSE.
- Controles: Se compara contra una referencia FP32 (numpy) y un control positivo de FFT FP16.

3. Contribuciones Clave

Adaptación de MX a FFT: Primera adaptación de la técnica de microescalado por bloque (común en GEMM) a las operaciones de multiplicación compleja de la FFT, utilizando twiddles pre-cuantizados.
Análisis de Compromisos: Identificación de que, bajo escalado MX, la precisión de la mantisa es el limitante principal de la calidad de la imagen, más que el rango del exponente.
Validación en MRI: Demostración práctica en cargas de trabajo reales de MRI, mostrando cómo los compromisos entre rango y precisión difieren de los kernels de aprendizaje automático estándar.

4. Resultados Principales

Formatos de Precisión:
- El formato MXFP8-E4M3 (4 bits de exponente, 3 de mantisa) ofrece el mejor rendimiento cuantitativo entre las variantes FP8.
- Los formatos con solo 2 bits de mantisa (como E5M2 o E3M2) sufren una degradación significativa en la calidad de la imagen, tanto visual como numéricamente, a pesar de ofrecer un mayor rango dinámico.
- MXFP6-E2M3 (6 bits, 2 exponente, 3 mantisa) se desempeña bien para la FFT hacia adelante, pero es menos robusto en la vuelta completa.
Tamaño de Bloque (B):
- Existe un compromiso claro con el tamaño del bloque. Bloques pequeños ( $B=2$ ) generan muchos dominios de escala, aumentando el error de redondeo.
- Bloques más grandes ( $B=32$ ) amortizan la sobrecarga de escala/metadatos, estabilizan las estadísticas del máximo absoluto ( $a_{max}$ ) y mejoran el PSNR/NMSE.
- Para MXFP8-E5M2, los beneficios de aumentar el bloque más allá de $B=8$ son marginales, pero para E4M3, $B=32$ es óptimo.
Impacto del Tamaño de Imagen:
- El aumento del tamaño de la imagen (de 64x64 a 256x256) tiene un efecto mínimo en las métricas de calidad para el formato E4M3, sugiriendo que la cuantización es el factor dominante, no la resolución de la imagen.
Diferencias entre Conjuntos de Datos:
- El conjunto SKM-TEA (rodilla) muestra mejores resultados (mayor PSIM/SSIM) que fastMRI (cerebro). Esto se debe a que fastMRI tiene una mayor dinámica y colas de baja magnitud que se ven más afectadas por el redondeo durante el escalado por bloques.

5. Significado y Conclusiones

Fidelidad Numérica: La implementación propuesta demuestra que es posible ejecutar FFTs en MRI con formatos de baja precisión (FP8/MX) sin sacrificar drásticamente la calidad de la imagen, siempre que se utilice acumulación en FP32 y bloques de tamaño adecuado.
Recomendaciones: Para pipelines de reconstrucción iterativa (donde se invoca múltiples pares FFT/iFFT), se recomienda:
- Usar formatos con suficiente ancho de mantisa (preferiblemente MXFP8-E4M3 o MXFP6-E2M3).
- Utilizar tamaños de bloque grandes ( $B=32$ ).
- Mantener la acumulación en alta precisión (FP32).
Limitaciones: Aunque los resultados son prometedores para acelerar la computación, el trabajo es un paso intermedio y aún no está listo para su despliegue clínico universal en todos los dominios, especialmente debido a la acumulación de errores en transformadas inversas (ida y vuelta).

En resumen, el trabajo establece mejores prácticas para la implementación de FFTs de precisión mixta en MRI, priorizando la precisión de la mantisa sobre el rango dinámico y validando la eficacia del microescalado por bloques en cargas de trabajo de imagen médica.