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

Resumen Técnico: Una Transformada de Wilson–Daubechies–Meyer Explícita y Diferenciable para el Análisis de Datos de Ondas Gravitacionales

Planteamiento del Problema
El análisis tiempo-frecuencia es esencial en la astronomía de ondas gravitacionales (OG) para caracterizar señales transitorias, artefactos instrumentales y ruido no estacionario. Aunque la transformada de paquetes de ondas (wavelet-packet) de Wilson–Daubechies–Meyer ha sido utilizada en procesos de búsqueda de ráfagas (burst searches) y en el análisis de fuentes de LISA, sigue faltando una referencia matemáticamente explícita y autónoma para los profesionales. Esta brecha dificulta la adopción de la WDM en los flujos de trabajo de inferencia modernos (como los que utilizan JAX) y complica la reproducción de resultados. Además, aunque los fundamentos teóricos existen, los detalles específicos de implementación relativos a la disposición de los coeficientes, las condiciones de contorno (canales de DC y Nyquist) y las convenciones de normalización no se han unificado en un único paquete reproducible.

Metodología
Los autores presentan wdm_transform, un paquete de Python de código abierto que implementa la transformada WDM con un enfoque en la explicitud matemática y la diferenciabilidad. La metodología consiste en:

1. Formulación Matemática: El artículo proporciona una derivación completa de las transformadas directa e inversa. Define la base WDM utilizando un teselado rectangular uniforme del plano tiempo-frecuencia (a diferencia de la descomposición diedica de las ondas estándar). Las funciones de base se construyen combinando el emparejamiento de la base de Wilson (átomos de frecuencia positiva y negativa) con una ventana de frecuencia suave de Daubechies–Meyer.

   • La transformada mapea $N$ muestras en el dominio del tiempo a una cuadrícula de coeficientes empaquetados de tamaño $(N_t, N_f + 1)$, donde $N = N_t N_f$.
   • Se proporciona un manejo especial para tres tipos distintos de canales: DC ($m=0$), interiores ($0 < m < N_f$) y Nyquist ($m=N_f$). Los canales interiores utilizan un factor de fase alternante $C_{nm}$ para asegurar coeficientes reales y ortogonales, mientras que los canales de borde se tratan como coeficientes reales no emparejados.
   • La ventana de Daubechies–Meyer se define con un suavizado de coseno ($d=1$), controlado por un parámetro $A \in (0, 1/2)$, lo que garantiza una reconstrucción de partición de la unidad exacta.

2. Propiedades Estadísticas: El artículo deriva la función de verosimilitud (likelihood) de la WDM. Bajo la suposición de ruido localmente estacionario, la matriz de covarianza del ruido en el dominio WDM es aproximadamente diagonal. Esto permite la construcción de una "verosimilitud de Whittle en el dominio WDM", que es el análogo en el dominio tiempo-frecuencia de la verosimilitud de Whittle estándar en el dominio de la frecuencia. Los autores abordan explícitamente la deficiencia de rango de la matriz de covarianza completa (debido a la redundancia de los canales de borde) y definen la pseudo-inversa de Moore-Penrose para manejar esto en el cálculo de la verosimilitud.

3. Implementación: El paquete es compatible con los backends NumPy, CuPy y JAX. El backend de JAX permite la aceleración por GPU y la diferenciación automática. La implementación valida las transformadas directa e inversa mediante pruebas de reconstrucción de ida y vuelta (round-trip) exactas, asegurando la precisión de punto flotante.

Contribuciones Clave

• Referencia Explícita: El artículo sirve como una referencia pedagógica y autónoma para la construcción muestreada de la WDM, aclarando las convenciones de normalización, fase, indexación y el tratamiento de los canales DC/Nyquist que anteriormente estaban dispersos en diversos trabajos.
• Paquete de Código Abierto: El lanzamiento de wdm_transform proporciona una interfaz unificada para las transformadas WDM con capacidades de CPU y GPU, facilitando la integración en los modernos flujos de trabajo de inferencia de OG basados en Python.
• Diferenciabilidad: Al aprovechar JAX, la transformada es totalmente diferenciable, lo que permite que los muestreadores basados en gradientes (por ejemplo, HMC, NUTS) y la inferencia variacional operen directamente sobre los datos en el dominio WDM sin necesidad de derivar manualmente las derivadas.
• Validación: Los autores realizan una validación numérica rigurosa, demostrando que el proceso de ida y vuelta (forward-inverse) recupera los datos con precisión de máquina ($\epsilon_{rt} \lesssim 10^{-16}$) y que los coeficientes están empíricamente descorrelacionados, como se espera para un ruido estacionario.

Resultados

• Benchmarks de Rendimiento: El paquete logra un escalado de $O(N \log N)$. Las pruebas de rendimiento en una GPU T4 muestran que, para flujos de datos grandes ($N=10^6$), el backend de JAX es aproximadamente 23 veces más rápido que la implementación de CPU de NumPy (16 ms frente a 370 ms).
• Equivalencia de Inferencia: Como ejemplo práctico, los autores compararon la estimación bayesiana de parámetros para un binario galáctico resuelto de LISA utilizando tanto la verosimilitud en el dominio de la frecuencia como en el dominio WDM. Bajo un modelo de ruido estacionario compartido, la verosimilitud en el dominio WDM reprodujo los posteriors en el dominio de la frecuencia con precisión numérica. La divergencia de Jensen–Shannon entre ambos posteriors fue insignificante (mediana de $5 \times 10^{-6}$ bits), y las medianas de los posteriors se alinearon estrechamente.
• Ortogonalidad: Las comprobaciones empíricas confirmaron que las funciones de base forman un conjunto ortogonal, donde la transformación directa seguida de la inversa actúa como un mapa identidad sobre el espacio de la señal, mientras que el mapa inverso (inversa seguida de directa) proyecta correctamente arreglos empaquetados arbitrarios sobre el subespacio de la señal válido.

Significancia y Reivindicaciones
Los autores declaran explícitamente que este trabajo no introduce la transformada WDM en sí misma, ni pretende superar a las implementaciones existentes específicas de cada pipeline en términos de velocidad bruta o descubrimiento algorítmico novedoso. En cambio, la significancia de este trabajo reside en:

1. Reproducibilidad y Accesibilidad: Hacer que la transformada WDM sea "fácil de adoptar y reproducir" en los flujos de trabajo modernos mediante la provisión de una derivación y una implementación matemáticamente explícitas y autónomas.
2. Habilitación de Optimización Futura: Preparar el camino para la optimización sistemática de los teselados WDM, lo cual es particularmente prometedor para el manejo de ruido no estacionario, fondos estocásticos y brechas de datos anticipadas en detectores futuros como LISA.
3. Inferencia Diferenciable: Proporcionar la infraestructura necesaria para utilizar representaciones WDM en flujos de trabajo de inferencia diferenciable, permitiendo comparaciones directas con representaciones tiempo-frecuencia alternativas y facilitando el uso de métodos basados en gradientes.

El artículo concluye que, si bien la implementación actual utiliza una ventana específica ($d=1$) y asume ruido estacionario para el ejemplo de validación, el marco está diseñado para soportar futuras extensiones, incluyendo ventanas de orden superior y la generación directa de formas de onda en el dominio WDM.