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

Resumo Técnico: Uma Transformada de Wilson–Daubechies–Meyer Explícita e Diferenciável para Análise de Dados de Ondas Gravitacionais

Definição do Problema
A análise tempo-frequência é essencial na astronomia de ondas gravitacionais (GW) para caracterizar sinais transientes, artefatos instrumentais e ruído não estacionário. Embora a transformada de pacotes de wavelet Wilson–Daubechies–Meyer (WDM) tenha sido utilizada em pipelines de GW (por exemplo, para buscas de surtos [bursts] e análise de fontes LISA), permanece carente uma referência matematicamente explícita e autossuficiente para praticantes. Essa lacuna dificulta a adoção da WDM em fluxos de trabalho de inferência modernos e diferenciáveis (como os que utilizam JAX) e complica a reprodução de resultados. Além disso, embora as bases teóricas existam, os detalhes específicos de implementação relativos ao layout de coeficientes, condições de contorno (canais DC e Nyquist) e convenções de normalização não foram unificados em um único pacote reprodutível.

Metodologia
Os autores apresentam o wdm_transform, um pacote Python de código aberto que implementa a transformada WDM com foco em explicidade matemática e diferenciabilidade. A metodologia envolve:

1. Formulação Matemática: O artigo fornece uma derivação completa das transformadas direta e inversa. Define a base WDM usando uma pavimentação retangular uniforme do plano tempo-frequência (ao contrário da decomposição diadica de wavelets padrão). As funções de base são construídas combinando o emparelhamento de base de Wilson (átomos de frequência positiva e negativa) com uma janela de frequência suave de Daubechies–Meyer.

   • A transformada mapeia $N$ amostras no domínio do tempo para uma grade de coeficientes compactada de tamanho $(N_t, N_f + 1)$, onde $N = N_t N_f$.
   • Um tratamento especial é fornecido para três tipos distintos de canais: DC ($m=0$), interior ($0 < m < N_f$) e Nyquist ($m=N_f$). Os canais internos utilizam um fator de fase alternado $C_{nm}$ para garantir coeficientes reais e ortogonais, enquanto os canais de borda são tratados como coeficientes reais não emparelhados.
   • A janela de Daubechies–Meyer é definida com um decaimento de cosseno ($d=1$), controlado por um parâmetro $A \in (0, 1/2)$, garantindo a reconstrução exata da partição da unidade.

2. Propriedades Estatísticas: O artigo deriva a função de verossimilhança (likelihood) WDM. Sob a suposição de ruído localmente estacionário, a matriz de covariância do ruído no domínio WDM é aproximadamente diagonal. Isso permite a construção de uma "verossimilhança de Whittle WDM", que é o análogo tempo-frequência da verossimilhança de Whittle padrão no domínio da frequência. Os autores abordam explicitamente a deficiência de posto da matriz de covariância total (devido à redundância dos canais de borda) e definem a pseudo-inversa de Moore-Penrose para lidar com isso no cálculo da verossimilhança.

3. Implementação: O pacote suporta backends NumPy, CuPy e JAX. O backend JAX permite aceleração por GPU e diferenciação automática. A implementação valida as transformadas direta e inversa através de testes de reconstrução de ida e volta (round-trip) exatos, garantindo precisão de ponto flutuante.

Principais Contribuições

• Referência Explícita: O artigo serve como uma referência pedagógica e autossuficiente para a construção amostrada da WDM, esclarecendo convenções para normalização, fase, indexação e o tratamento de canais DC/Nyquist que anteriormente estavam dispersos em vários trabalhos.
• Pacote de Código Aberto: O lançamento do wdm_transform fornece uma interface unificada para transformadas WDM com capacidades de CPU e GPU, facilitando a integração em pipelines modernos de inferência de GW baseados em Python.
• Diferenciabilidade: Ao aproveitar o JAX, a transformada é totalmente diferenciável, permitindo que amostradores baseados em gradiente (ex: HMC, NUTS) e inferência variacional operem diretamente sobre dados no domínio WDM sem a necessidade de derivação manual de derivadas.
• Validação: Os autores realizam uma validação numérica rigorosa, demonstrando que o ciclo direto-inverso recupera os dados com precisão de máquina ($\epsilon_{rt} \lesssim 10^{-16}$) e que os coeficientes são empiricamente decorrelacionados conforme o esperado para ruído estacionário.

Resultos

• Benchmarks de Desempenho: O pacote alcança escalonamento de $O(N \log N)$. Testes de desempenho em uma GPU T4 mostram que, para fluxos de dados grandes ($N=10^6$), o backend JAX é aproximadamente 23 vezes mais rápido que a implementação NumPy em CPU (16 ms vs. 370 ms).
• Equivalência de Inferência: Como um exemplo prático, os autores compararam a estimativa bayesiana de parâmetros para um binário galáctico resolvido de LISA usando tanto as verossimilhanças no domínio da frequência quanto no domínio WDM. Sob um modelo de ruído estacionário compartilhado, a verossimilhança no domínio WDM reproduziu as posteriors no domínio da frequência com precisão numérica. A divergência de Jensen–Shannon entre as duas posteriors foi insignificante (mediana de $5 \times 10^{-6}$ bits), e as medianas das posteriors alinharam-se de forma próxima.
• Ortogonalidade: Verificações empíricas confirmaram que as funções de base formam um conjunto ortogonal, com a transformada direta-inversa agindo como um mapa identidade no espaço do sinal, enquanto o mapa reverso (inversa-direta) projeta corretamente arrays compactados arbitrários no subespaço de sinal válido.

Significância e Alegações
Os autores afirmam explicitamente que este trabalho não introduz a transformada WDM em si, nem alega superar implementações existentes específicas de pipelines em termos de velocidade bruta ou descoberta algorítmica inovadora. Em vez disso, a significância deste trabalho reside em:

1. Reprodutibilidade e Acessibilidade: Tornar a transformada WDM "fácil de adotar e reproduzir" em fluxos de trabalho modernos, fornecendo uma derivação e implementação matematicamente explícitas e autossuficientes.
2. Viabilização de Otimização Futura: Pavimentar o caminho para a otimização sistemática de pavimentações (tilings) WDM, o que é particularmente promissor para lidar com ruído não estacionário, fundos estocásticos e lacunas de dados antecipadas para futuros detectores como o LISA.
3. Inferência Diferenciável: Fornecer a infraestrutura necessária para usar representações WDM em pipelines de inferência diferenciáveis, permitindo comparações diretas com representações tempo-frequência alternativas e facilitando o uso de métodos baseados em gradiente.

O artigo conclui que, embora a implementação atual utilize uma janela específica ($d=1$) e assuma ruído estacionário para o exemplo de validação, o framework foi projetado para suportar extensões futuras, incluindo janelas de ordem superior e geração direta de formas de onda no domínio WDM.