argosim: a Python package for radio interferometric simulations

Resumo Técnico do argosim: Um Pacote Python para Simulações Interferométricas de Rádio

Definição do Problema
Interferômetros de rádio modernos, como o Square Kilometre Array (SKA), geram dados em taxas sem precedentes (vários Tbits/s) com bilhões de amostras $uv$ por observação. O volume colossal de dados exige o descarte de dados brutos em favor de arquivos processados, tornando a precisão e a robustez das etapas iniciais de análise críticas, uma vez que o reprocessamento de dados brutos não será viável. Embora existam suítes de software estabelecidas como o CASA, elas são frequentemente intensivas em recursos, difíceis de instalar em arquiteturas mais novas devido a dependências de C++ e apresentam uma curva de aprendizado acentuada que dificulta fluxos de trabalho de prototipagem leve e experimentação. Há uma necessidade distinta de uma ferramenta de simulação modular, leve e flexível que possa suportar o desenvolvimento de métodos de reconstrução de imagem, calibração e processamento de dados para interferômetros de próxima geração.

Metodologia
Os autores apresentam o argosim, um pacote Python projetado para simular observações interferométricas de rádio, desde a configuração de antenas até a imagem final limpa (cleaned image). O software é construído sobre um backend computacional JAX, escolhido por sua capacidade de acelerar operações de array e fornecer diferenciabilidade total.

O pipeline de simulação é modular e segue o fluxo de trabalho padrão da interferometria de rádio:

1. Configuração do Array: O módulo antenna_utils define as posições das antenas em coordenadas Leste-Norte-Cima (ENU). Ele suporta distribuições geométricas parametrizáveis (em forma de Y, circular, grade, 3D aleatória) e permite arrays customizados pelo usuário (ex: ARGOS pathfinder, MeerKAT, SKA-Mid).
2. Amostragem $uv$: Com base nas posições das antenas, latitude do array, declinação da fonte, frequência e tempo de observação (rastreamento), o pacote calcula a cobertura $uv$. Ele contabiliza a rotação da Terra e a subdivisão de bandas de frequência para gerar a máscara de amostragem.
3. Geração de Visibilidades: O módulo imaging_utils faz a grade (gridding) das amostras $uv$ em uma grade de pixels regular usando um algoritmo de vizinho mais próximo. Ele aplica uma máscara de amostragem a um modelo de céu (domínio de Fourier) e adiciona ruído Gaussiano independente para gerar visibilidades, aderindo ao modelo observacional $V = M \odot (F i_{sky} + N)$.
4. Modelagem de Céu: O módulo data_utils gera modelos de céu sintéticos compostos por perfis Gaussianos (fontes pontuais ou resolvidas) com formas, orientações, tamanhos e fluxos aleatórios. Também suporta o carregamento de imagens de canal único customizadas.
5. Reconstrução de Imagem: O módulo clean implementa o algoritmo CLEAN padrão (Högbom 1974) para deconvoluir a imagem suja (dirty image). O pacote assume um modelo de céu esparso de fontes pontuais para este lançamento inicial.
6. Métricas: Os módulos metrics_utils e beam_utils fornecem ferramentas de avaliação quantitativa. As métricas de imagem incluem Erro Quadrático Médio (MSE), MSE Relativo (RMSE) e Índice de Similaridade Estrutural (SSIM). As métricas de feixe caracterizam a morfologia do feixe sujo (dirty beam), incluindo ajuste elíptico para Largura Total na Metade do Máximo (FWHM), excentricidade e Nível de Lóbulo Lateral (SSL).

O pacote também conta com uma Interface Gráfica do Usuário (GUI) construída com PyQt6 para controle interativo de parâmetros e visualização.

Principais Contribuições

• Design de Código Aberto e Modular: O argosim é um projeto totalmente de código aberto disponível no GitHub, projetado com princípios de acessibilidade, reprodutibilidade e manutenibilidade. Inclui integração contínua (GitHub Actions) com 94% de cobertura de testes e fornece uma imagem Docker pré-construída para garantir ambientes de execução consistentes.
• Backend JAX: Ao utilizar o JAX, o pacote alcança uma aceleração computacional significativa. Os autores demonstram que as implementações JAX em CPU são mais de 10$\times$ mais rápidas que suas equivalentes em NumPy, enquanto implementações em GPU alcançam um aumento de velocidade de quase 1.000$\times$ para simulações envolvendo ~200 milhões de amostras $uv$.
• Diferenciabilidade: O uso do JAX torna todo o pipeline de simulação totalmente diferenciável via diferenciação automática. Isso permite a aplicação de otimização baseada em gradiente e algoritmos de amostragem posterior (ex: Monte Carlo Hamiltoniano) a problemas interferométricos.
• Pipeline Abrangente: O pacote integra todas as etapas de simulação interferométrica, desde a geometria do array e cálculo de cobertura $uv$ até síntese de visibilidade, deconvolução e avaliação de métricas, especificamente adaptado para o projeto ARGOS, mas generalizável para outros instrumentos.

Resultos
Os autores validaram o pacote através de uma aplicação prática simulando uma observação com o pathfinder ARGOS (cinco antenas de 6 metros).

• Configuração da Simulação: Uma observação de 5 horas foi simulada com um passo de tempo de 15 minutos ao longo de 128 canais de frequência (1–3 GHz) para um campo de visão de $1 \text{ deg}^2$ contendo três fontes Gaussianas.
• Qualidade de Reconstrução: O algoritmo CLEAN reconstruiu com sucesso o modelo de céu. Métricas quantitativas mostraram uma melhoria significativa sobre a observação suja: o RMSE diminuiu de 81% (suja) para 5,7% (limpa), e o SSIM aumentou de 0,64 para 0,99.
• Caracterização do Feixe: O feixe sintetizado foi caracterizado com uma excentricidade de 0,91, um Nível de Lóbulo Lateral (SSL) de -3,4 dB e um FWHM assimétrico (19,6 pixels no eixo maior vs. 8,2 pixels no eixo menor).
• Desempenho: Como observado na metodologia, o backend baseado em JAX demonstrou ganhos de velocidade massivos, validando sua utilidade para lidar com os grandes volumes de dados esperados de futuros interferômetros.

Significância e Alegações
O artigo posiciona o argosim como uma ferramenta necessária para a fase de design e teste de interferômetros de rádio de próxima geração, como o ARGOS. Sua principal significância reside em fornecer uma alternativa leve, flexível e computacionalmente eficiente às suítes de software legadas e pesadas. Os autores alegam que o pacote é particularmente valioso para:

1. Prototipagem Rápida: Permitindo a iteração rápida em tarefas de simulação e desenvolvimento de algoritmos sem o overhead de instalações complexas ou restrições de recursos.
2. Uso Educacional e de Divulgação: A GUI e a natureza modular o tornam acessível para o ensino de conceitos de interferometria de rádio.
3. Preparação para o Futuro: O pipeline diferenciável e a aceleração por GPU preparam os pesquisadores para a era do "big data" na radioastronomia, onde o processamento quase em tempo real e a inferência estatística avançada (via pipelines diferenciáveis) serão essenciais.

Os autores mantêm um escopo modesto, reconhecendo que a implementação atual utiliza o algoritmo CLEAN padrão e assume fontes pontuais. Eles declaram explicitamente que versões futuras incorporarão métodos de reconstrução mais avançados, simulações de céu realistas (via GalSim) e modelagem de ruído sofisticada (incluindo RFI).