⚡ electrical engineering

A Mixed Precision FFT with applications in MRI

Il paper presenta un'implementazione della trasformata di Fourier veloce (FFT) a precisione mista che utilizza micro-scaling per blocco, pre-scaling globale e twiddle pre-quantizzati, dimostrando attraverso dati MRI che la precisione della mantissa è il principale limite per la fedeltà dell'immagine, mentre dimensioni di blocco più grandi migliorano le prestazioni numeriche.

Autori originali: Nikhil Deveshwar, Abhejit Rajagopal, Peder E. Z. Larson

Pubblicato 2026-02-18

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Nikhil Deveshwar, Abhejit Rajagopal, Peder E. Z. Larson

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🧠 Il Problema: La "Cucina" dei Dati Medici

Immagina che un'immagine della risonanza magnetica (MRI) sia come una ricetta complessa che un cuoco deve preparare. Per ottenere l'immagine finale, il computer deve eseguire un'operazione matematica chiamata FFT (Trasformata di Fourier). È come se il computer dovesse prendere tutti gli ingredienti grezzi (i dati raccolti dalla macchina) e mescolarli in un modo molto specifico per rivelare il piatto finale (l'immagine del tuo corpo).

Il problema è che questa "cucina" richiede molta energia e memoria. Se vuoi fare queste operazioni su dispositivi piccoli, portatili o economici (come una risonanza magnetica tascabile), il computer si stanca, consuma troppa batteria e diventa lento.

💡 La Soluzione: Il "Cucina a Precisione Mista"

Gli autori di questo studio hanno inventato un nuovo modo di cucinare, chiamato FFT a Precisione Mista.
Invece di usare ingredienti di lusso (numeri con tantissimi decimali, che sono pesanti e lenti), usano ingredienti più semplici e leggeri (numeri con pochi decimali), ma con un trucco intelligente.

Ecco come funziona, passo dopo passo:

1. Il "Ridimensionamento Globale" (Il Termometro)

Prima di iniziare a mescolare gli ingredienti, il cuoco guarda la pentola. Se c'è un ingrediente gigante che rischia di traboccare (un numero troppo grande) o uno minuscolo che rischia di sparire (un numero troppo piccolo), il cuoco applica un fattore di scala globale.

L'analogia: È come se regolassi il volume di un microfono prima di iniziare a cantare. Se il cantante è troppo forte, abbassi il volume; se è troppo debole, lo alzi. Questo evita che il sistema "esploda" o che il segnale si perda nel silenzio.

2. I "Blocchi Micro" (Le Scatole di Ingredienti)

Qui entra in gioco la parte geniale. Invece di trattare ogni singolo numero come un mondo a sé stante, il sistema raggruppa gli ingredienti in piccole scatole (chiamate "blocchi").

L'analogia: Immagina di dover pesare 32 mele. Invece di pesare ogni singola mela con una bilancia super-precisa (che è lenta), metti 32 mele in un sacchetto e pesi il sacchetto. Se il sacchetto è un po' pesante, lo ridimensioni un po'.
All'interno di ogni scatola, tutti i numeri condividono lo stesso "fattore di scala". Questo permette di usare numeri molto piccoli (come quelli a 8 bit, simili a quelli usati nelle nuove intelligenze artificiali) senza perdere la qualità.

3. La "Ricetta" Matematica (Le Farfalle)

Il cuore dell'operazione FFT è un passaggio chiamato "farfalla" (butterfly), dove i numeri vengono moltiplicati e sommati.

Il sistema usa numeri piccoli per fare la moltiplicazione (per risparmiare energia), ma quando deve sommare i risultati, usa un "contenitore" grande e preciso (precisione a 32 bit) per assicurarsi che il risultato finale non sia sbagliato.
L'analogia: È come se usassi un righello di carta per misurare i pezzi di un puzzle (veloce e leggero), ma quando li incollassi insieme, usassi una colla super-forte e precisa per assicurarti che il quadro sia perfetto.

📊 Cosa hanno scoperto? (I Risultati)

Gli autori hanno testato questa ricetta su due tipi di immagini reali: un cervello e un ginocchio. Ecco le scoperte principali:

La "Coda" è più importante della "Testa": Hanno scoperto che non importa quanto sia grande il range dei numeri (la "testa" della bilancia), ma è fondamentale avere sufficienti dettagli nei decimali (la "coda").
- Metafora: Se devi disegnare un ritratto, non serve un foglio gigante (range), serve una matita che faccia linee sottilissime e precise (mantissa). Se la matita è troppo grossa (pochi decimali), il disegno viene sgranato, anche se hai un foglio enorme.
- Il formato migliore trovato è stato MXFP8-E4M3 (che ha 4 bit per i decimali), molto meglio di quelli con solo 2 bit.
La dimensione della scatola conta:
- Se le "scatole" (i blocchi) sono troppo piccole (es. 2 ingredienti), il cuoco deve fare troppe regolazioni di peso, perdendo tempo e precisione.
- Se le scatole sono più grandi (32 ingredienti), il sistema è più stabile e veloce, e l'immagine finale è più nitida.
Il ciclo completo: Quando provano a fare l'immagine e poi a tornare indietro ai dati originali (un "viaggio di andata e ritorno"), l'errore si accumula un po'. Tuttavia, con i giusti blocchi e la giusta precisione, l'immagine finale è quasi indistinguibile da quella fatta con i computer super-potenti di oggi.

🏁 Conclusione: Perché è importante?

Questo studio ci dice che possiamo rendere le macchine MRI più piccole, più economiche e più veloci senza sacrificare la qualità delle immagini, a patto di usare questa nuova "ricetta" matematica.

Invece di usare un camioncino per portare una pigna (spreco di risorse), usiamo una bicicletta intelligente che sa esattamente come caricare il carico. Questo apre la strada a risonanze magnetiche portatili che potrebbero essere usate in ambulatori piccoli, in zone remote o persino a casa, rendendo la diagnosi medica più accessibile a tutti.

Titolo

FFT a Precisione Mista con Applicazioni in Risonanza Magnetica (MRI)

1. Problema e Contesto

La Trasformata di Fourier Veloce (FFT) è un componente fondamentale nelle pipeline di elaborazione di segnali e immagini, in particolare nella Risonanza Magnetica (MRI), dove viene utilizzata per convertire i dati acquisiti nel dominio della frequenza (spazio-k) nello spazio delle immagini.
Con l'avvento di piattaforme edge e embedded (come scanner MRI portatili e a basso costo), c'è un crescente interesse nell'utilizzo di aritmetica a bassa precisione e precisione mista per ridurre il traffico di memoria e il consumo energetico.
Tuttavia, l'uso diretto di quantizzazione a bassa precisione (es. FP8) nelle FFT complesse può causare errori critici di overflow/underflow e una significativa perdita di accuratezza. Le implementazioni precedenti si basavano spesso su formati a punto flottante a blocco (BFP) su DSP/FPGA o su FP16/BF16 su GPU, ma non sfruttavano pienamente i nuovi standard di micro-scaling (MX) e le tecniche di scaling adattivo per mantenere la stabilità numerica in contesti specifici come la MRI.

2. Metodologia

Gli autori propongono un'implementazione FFT a precisione mista che combina tre tecniche principali per bilanciare efficienza e accuratezza:

Prescaling Globale (Potenza di Due):
- Prima del calcolo della FFT, viene applicato un singolo fattore di scala globale (potenza di due) all'input.
- L'obiettivo è posizionare i picchi dell'input vicino a un target desiderato e sollevare le code a bassa magnitudine al di sopra di un "pavimento" (floor) definito dall'utente, prevenendo errori di underflow.
- Vengono calcolati due esponenti candidati: uno per gestire il picco massimo e uno per gestire il percentile $\tau$ dei valori non nulli (la coda). Viene scelto l'esponente più restrittivo.
Operazioni a Farfalla (Butterfly) con Micro-scaling (MX):
- Le moltiplicazioni complesse all'interno delle operazioni a farfalla (Cooley-Tukey) vengono eseguite utilizzando formati MX (Microscaling) a 8 bit (FP8) o inferiori.
- I dati sono organizzati in blocchi piccoli (es. $B=32$ elementi reali). Ogni blocco condivide un esponente comune.
- Flusso di calcolo:
  - I coefficienti (twiddles) e gli operandi vengono codificati in formato MX FP8.
  - Le mantisse vengono estratte e la moltiplicazione complessa viene eseguita nello spazio delle mantisse.
  - Il risultato viene ricalcolato e ricalibrato (eventuale ri-normalizzazione se la mantissa massima supera il limite del formato).
  - Le operazioni di addizione/sottrazione (la fase finale della farfalla) e l'accumulo vengono eseguiti in FP32 (precisione singola) per preservare la stabilità numerica, una pratica comune nei kernel misti delle GPU.
Valutazione:
- Il metodo è stato testato su due dataset pubblici MRI: fastMRI (cervello, 2D) e SKM-TEA (ginocchio, 3D).
- Sono state valutate sia la trasformata diretta (Forward) che il ciclo completo (Round-trip: Forward + Inverse).
- Le metriche di qualità includono PSNR, SSIM e NMSE, confrontate con un riferimento FP32 e un controllo positivo in FP16.

3. Contributi Chiave

Integrazione MX nella FFT: Adattamento dello scaling per blocco (tipico dei kernel GEMM FP8) alle operazioni a farfalla complesse della FFT, utilizzando twiddles pre-quantizzati e accumulo in FP32.
Analisi del Trade-off Mantissa vs. Intervallo: Dimostrazione che, in questo contesto, la precisione della mantissa è il fattore limitante principale per la qualità dell'immagine, più della gamma dinamica gestita dall'esponente.
Ottimizzazione della Dimensione del Blocco: Identificazione di una chiara relazione tra la dimensione del blocco MX ( $B$ ) e le prestazioni numeriche, suggerendo dimensioni maggiori per ridurre l'overhead di scaling e migliorare la stabilità statistica.
Validazione Clinica: Applicazione specifica al flusso di lavoro MRI (spazio-k a immagine), un caso d'uso diverso dai tipici kernel di deep learning per cui sono stati progettati gli standard FP8/MX.

4. Risultati

Formati di Precisione: Il formato MXFP8-E4M3 (4 bit esponente, 3 bit mantissa) ha ottenuto le migliori prestazioni quantitative tra i formati FP8, superando nettamente i formati con solo 2 bit di mantissa (come E5M2), che hanno mostrato degradazione significativa della qualità visiva e metrica.
Impatto della Dimensione del Blocco ( $B$ ):
- Blocchi piccoli ( $B=2$ ) hanno performato peggio a causa della frequente necessità di riscalare e ripacchettizzare i dati, amplificando l'errore di arrotondamento.
- Blocchi più grandi ( $B=8$ e $B=32$ ) hanno migliorato PSNR e NMSE. Per $B=32$ si ottengono i migliori risultati, con rendimenti decrescenti oltre questo valore per alcuni dataset.
Impatto della Dimensione dell'Immagine: L'aumento della dimensione dell'immagine (da 64x64 a 256x256) ha avuto un impatto minimo sulle metriche per i formati migliori, suggerendo che la quantizzazione è il fattore dominante indipendentemente dalla risoluzione.
Ciclo Completo (Round-trip): La trasformata inversa introduce errori aggiuntivi dovuti alla re-quantizzazione e alla normalizzazione, portando a un aumento del NMSE e a una diminuzione del PSNR rispetto alla sola trasformata diretta. Tuttavia, MXFP8-E4M3 e MXFP6-E2M3 rimangono vicini alle prestazioni FP16 per quanto riguarda l'SSIM.
Dataset: Il dataset SKM-TEA (ginocchio) ha mostrato prestazioni migliori rispetto a fastMRI (cervello), probabilmente a causa di una distribuzione dei coefficienti più stabile e meno code a bassa magnitudine che aggravano gli errori di arrotondamento.

5. Significato e Conclusioni

Questo lavoro dimostra che è possibile implementare FFT a bassa precisione per applicazioni critiche come la MRI senza sacrificare eccessivamente la qualità dell'immagine, a condizione di adottare strategie di scaling intelligenti.

Raccomandazioni: Per ottenere la massima fedeltà, è preferibile utilizzare formati con mantissa a 3 bit (come MXFP8-E4M3), dimensioni del blocco grandi ( $B=32$ ) e accumulo in FP32.
Implicazioni Future: Questi risultati sono un passo intermedio verso l'accelerazione della ricostruzione iterativa di immagini sottocampionate (dove vengono eseguite molte coppie FFT/iFFT). Sebbene non ancora pronti per l'uso clinico universale, il metodo offre le migliori pratiche per l'implementazione di FFT a precisione mista su hardware moderno, riducendo il consumo energetico e migliorando la velocità di calcolo.