argosim: a Python package for radio interferometric simulations

Resumen Técnico de argosim: Un Paquete de Python para Simulaciones Interferométricas de Radio

Planteamiento del Problema
Los interferómetros de radio modernos, como el Square Kilometre Array (SKA), generan datos a tasas sin precedentes (varios Tbits/s) con miles de millones de muestras $uv$ por observación. El enorme volumen de datos exige el descarte de los datos brutos en favor de archivos procesados, lo que hace que la precisión y la robustez de los pasos iniciales de análisis sean críticas, ya que el reprocesamiento de los datos brutos no será factible. Aunque existen suites de software establecidas como CASA, estas suelen ser intensivas en recursos y difíciles de instalar en arquitecturas más nuevas debido a sus dependencias de C++, lo que presenta una curva de aprendizaje pronunciada que obstaculiza los flujos de trabajo experimentales y de prototipado ligero. Existe una necesidad clara de una herramienta de simulación modular, ligera y flexible que pueda soportar el desarrollo de métodos de reconstrucción de imágenes, calibración y procesamiento de datos para los interferómetros de próxima generación.

Metodología
Los autores presentan argosim, un paquete de Python diseñado para simular observaciones interferométricas de radio, desde la configuración de antenas hasta la imagen final limpiada (cleaned image). El software está construido sobre un backend computacional JAX, elegido por su capacidad para acelerar las operaciones de arreglos y proporcionar diferenciabilidad total.

El flujo de trabajo de simulación es modular y sigue el flujo de trabajo estándar de la interferometría de radio:

1. Configuración del Arreglo: El módulo antenna_utils define las posiciones de las antenas en coordenadas Este-Norte-Arriba (ENU). Soporta distribuciones geométricas parametrizables (en forma de Y, circulares, de rejilla, 3D aleatorias) y permite arreglos personalizados definidos por el usuario (ej. el pathfinder ARGOS, MeerKAT, SKA-Mid).
2. Muestreo $uv$: Basándose en las posiciones de las antenas, la latitud del arreglo, la declinación de la fuente, la frecuencia y el tiempo de observación (seguimiento o tracking), el paquete calcula la cobertura $uv$. Tiene en cuenta la rotación de la Tierra y la subdivisión de la banda de frecuencia para generar la máscara de muestreo.
3. Generación de Visibilidades: El módulo imaging_utils grida las muestras $uv$ en una rejilla de píxeles regular utilizando un algoritmo de vecino más cercano. Aplica una máscara de muestreo a un modelo de cielo (en el dominio de Fourier) y añade ruido gaussiano independiente para generar las visibilidades, adhiriéndose al modelo observacional $V = M \odot (F i_{sky} + N)$.
4. Modelado de Cielo: El módulo data_utils genera modelos de cielo sintéticos compuestos por perfiles gaussianos (fuentes puntuales o resueltas) con formas, orientaciones, tamaños y flujos aleatorios. También permite la carga de imágenes de canal único personalizadas.
5. Reconstrucción de Imágenes: El módulo clean implementa el algoritmo CLEAN estándar (Högbom 1974) para deconvolucionar la imagen sucia (dirty image). El paquete asume un modelo de cielo disperso de fuentes puntuales para esta versión inicial.
6. Métricas: Los módulos metrics_utils y beam_utils proporcionan herramientas de evaluación cuantitativa. Las métricas de imagen incluyen el Error Cuadrático Medio (MSE), el MSE Relativo (RMSE) y el Índice de Similitud Estructural (SSIM). Las métricas del haz caracterizan la morfología del haz sucio (dirty beam), incluyendo el ajuste elíptico para la anchura a la mitad del máximo (FWHM), la excentricidad y el nivel de lóbulos secundarios (SSL).

El paquete también cuenta con una Interfaz Gráfica de Usuario (GUI) construida con PyQt6 para el control interactivo de parámetros y la visualización.

Contribuciones Clave

• Diseño de Código Abierto y Modular: argosim es un proyecto totalmente de código abierto disponible en GitHub, diseñado bajo principios de accesibilidad, reproducibilidad y mantenibilidad. Incluye integración continua (GitHub Actions) con una cobertura de pruebas del 94% y proporciona una imagen de Docker preconstruida para asegurar entornos de ejecución consistentes.
• Backend JAX: Al utilizar JAX, el paquete logra una aceleración computacional significativa. Los autores demuestran que las implementaciones de JAX en CPU son más de 10 veces más rápidas que sus equivalentes en NumPy, mientras que las implementaciones en GPU logran una aceleración de casi 1,000 veces para simulaciones que involucran aproximadamente 200 millones de muestras $uv$.
• Diferenciabilidad: El uso de JAX hace que todo el flujo de simulación sea completamente diferenciable mediante diferenciación automática. Esto permite la aplicación de optimización basada en gradientes y algoritmos de muestreo posterior (por ejemplo, Monte Carlo Hamiltoniano) a problemas interferométricos.
• Pipeline Integral: El paquete integra todas las etapas de la simulación interferométrica, desde la geometría del arreglo y el cálculo de la cobertura $uv$ hasta la síntesis de visibilidad, deconvolución y evaluación de métricas, específicamente adaptado para el proyecto ARGOS pero generalizable a otros instrumentos.

Resultados
Los autores validaron el paquete mediante una aplicación práctica simulando una observación con el pathfinder ARGOS (cinco antenas de 6 metros).

• Configuración de la Simulación: Se simuló una observación de 5 horas con un paso de tiempo de 15 minutos a través de 128 canales de frecuencia (1–3 GHz) para un campo de visión de $1 \text{ deg}^2$ que contiene tres fuentes gaussianas.
• Calidad de la Reconstrucción: El algoritmo CLEAN reconstruyó con éxito el modelo de cielo. Las métricas cuantitativas mostraron una mejora significativa respecto a la observación sucia: el RMSE disminuyó de un 81% (sucio) a un 5.7% (limpio), y el SSIM aumentó de 0.64 a 0.99.
• Caracterización del Haz: El haz sintetizado se caracterizó con una excentricidad de 0.91, un nivel de lóbulos secundarios (SSL) de -3.4 dB y un FWHM asimétrico (19.6 píxeles en el eje mayor frente a 8.2 píxeles en el eje menor).
• Rendimiento: Como se indica en la metodología, el backend basado en JAX demostró aceleraciones masivas, validando su utilidad para manejar los grandes volúmenes de datos esperados de los futuros interferómetros.

Significancia y Reivindicaciones
El artículo posiciona a argosim como una herramienta necesaria para la fase de diseño y prueba de los interferómetros de radio de próxima generación, como ARGOS. Su principal significancia radica en proporcionar una alternativa ligera, flexible y computacionalmente eficiente a las pesadas suites de software heredadas. Los autores afirman que el paquete es particularmente valioso para:

1. Prototipado Rápido: Permite la iteración rápida en tareas de simulación y desarrollo de algoritmos sin la sobrecarga de instalaciones complejas o restricciones de recursos.
2. Uso Educativo y de Divulgación: La GUI y su naturaleza modular lo hacen accesible para la enseñanza de conceptos de interferometría de radio.
3. Preparación para el Futuro: El flujo de trabajo diferenciable y la aceleración por GPU preparan a los investigadores para la era del "Big Data" en la radioastronomía, donde el procesamiento casi en tiempo real y la inferencia estadística avanzada (mediante flujos de trabajo diferenciables) serán esenciales.

Los autores mantienen un alcance modesto, reconociendo que la implementación actual utiliza el algoritmo CLEAN estándar y asume fuentes puntuales. Expresan explícitamente que las versiones futuras incorporarán métodos de reconstrucción más avanzados, simulaciones de cielo más realistas (vía GalSim) y modelos de ruido sofisticados (incluyendo RFI).