⚡ electrical engineering

A Mixed Precision FFT with applications in MRI

本文提出了一种结合每块微缩放（MX）、全局 2 的幂次预缩放及预量化低比特旋转因子的混合精度快速傅里叶变换（FFT）实现，并通过在 MRI 数据集上的评估表明，在 MX 缩放机制下尾数精度是主要限制因素，且较大的块尺寸能带来更优的数值性能。

原作者： Nikhil Deveshwar, Abhejit Rajagopal, Peder E. Z. Larson

发布于 2026-02-18

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Nikhil Deveshwar, Abhejit Rajagopal, Peder E. Z. Larson

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于如何让 MRI（核磁共振）成像更快、更省电，同时还不影响图像清晰度的巧妙方法。

想象一下，MRI 机器就像是一个超级复杂的音乐录音棚。它接收到的原始数据（k-space）就像是一堆杂乱无章的音符，而我们需要通过一种叫做**FFT（快速傅里叶变换）**的“魔法翻译器”，把这些音符瞬间翻译成我们能看懂的“人体图像”（就像把乐谱变成旋律）。

传统的翻译器非常精准，但非常“吃”电和内存，就像用一台巨大的工业级录音设备去录一首简单的儿歌，既浪费又慢。这篇论文提出了一种**“混合精度”**的新翻译法，就像是用更轻便、更聪明的工具来做这件事。

以下是用通俗语言和比喻对论文核心内容的解读：

1. 核心问题：太“精”了反而累赘

以前的翻译器（FFT）为了追求极致精准，每一步计算都使用“全精度”（就像用 32 位的小数点，能记录极其微小的细节）。但这在便携式或低成本的 MRI 设备上太沉重了，导致速度慢、耗电大。

如果直接把这些数据“砍”成低精度（比如只保留很少的小数位），就像把高清照片压缩成马赛克，图像会模糊，甚至出现噪点（溢出或丢失细节）。

2. 解决方案：聪明的“分块”与“缩放”

作者提出了一种混合精度方案，结合了三种聪明的策略：

全局“预缩放”（Global Prescale）：就像调整音量旋钮
- 比喻：在开始翻译前，先听一下整段音乐的音量。如果声音太大（数据峰值太高），就先把音量调小，防止爆音（溢出）；如果声音太小（数据尾部太低），就稍微调大，防止听不见（下溢）。
- 作用：确保所有数据都在一个安全的“舒适区”内，避免因为数据太大或太小而出错。
微缩放（Microscaling, MX）：像“分小组”管理
- 比喻：传统的低精度方法是给整首歌定一个音量。但这篇论文的方法是把数据分成很多小小组（Block），比如每 32 个数据点为一组。每一组都有自己独立的“音量控制器”。
- 作用：这样，一组里的大数据和另一组里的小数据都能得到最合适的处理，互不干扰。这就像给每个乐器组单独调音，比给整个乐队调一个音要精准得多。
低精度“调料”（Twiddles）：用简化的公式
- 比喻：FFT 计算中需要用到一些固定的数学常数（像食谱里的盐）。作者把这些常数预先“压缩”成低精度版本（比如 8 位浮点数），就像把昂贵的进口香料换成了家常调料，虽然简单，但配合上面的“分小组”管理，味道（图像质量）依然很好。

3. 实验结果：什么最重要？

作者用真实的 MRI 数据（大脑和膝盖的图像）做了测试，发现了一些有趣的规律：

尾数（Mantissa）比指数（Exponent）更重要
- 比喻：在数字表示中，“指数”决定了数字能有多大（范围），“尾数”决定了数字有多精细（细节）。
- 发现：在 MRI 图像中，细节（尾数）比范围（指数）更关键。哪怕你给数字很大的范围（能表示很大的数），但如果细节不够（尾数位数少），图像就会模糊。
- 结论：使用 8 位浮点数（FP8） 且保留 4 位尾数 的格式（MXFP8-E4M3）效果最好，比那些只保留 2 位尾数的格式清晰得多。
小组越大，效果越好（但在一定范围内）
- 比喻：如果把数据分得太细（比如每 2 个数一组），就像每走一步都要停下来重新调音，太麻烦且容易出错。如果分组大一点（比如 32 个数一组），调音次数少了，整体更稳定。
- 结论：分组大小设为 32 时，图像质量提升最明显。
正向 vs 往返
- 比喻：把数据翻译成图像（正向）比较容易，但把图像再翻译回数据（逆向/往返）就像“复述故事”，容易把细节弄丢。
- 发现：在往返过程中，如果精度不够，误差会累积。但作者的方法通过保留足够的尾数精度，成功控制了这种误差。

4. 总结与意义

这篇论文就像是在告诉工程师们：

“我们不需要用那种笨重、全能的‘超级翻译器’来做 MRI。只要学会先调好音量（预缩放），再分组精细管理（微缩放），并保留足够的细节（足够的尾数），我们就能用更轻、更省电的芯片（比如 8 位精度）跑出同样清晰的 MRI 图像。”

这对未来的意义：
这意味着未来的便携式 MRI 设备、甚至手持式扫描仪，可以变得更便宜、更小巧、更省电，同时依然能提供医生需要的清晰诊断图像。虽然目前还不能直接用于所有临床场景，但这已经迈出了迈向“快速、低成本医疗成像”的重要一步。

这是一篇关于混合精度快速傅里叶变换（FFT）在磁共振成像（MRI）中应用的技术论文总结。该研究旨在通过引入微缩放（Microscaling, MX）格式和混合精度计算，解决低精度 FFT 在 MRI 重建中的数值稳定性与图像质量问题。

以下是详细的技术总结：

1. 研究背景与问题 (Problem)

背景：FFT 是 MRI 成像的核心算法，用于将频域数据（k-space）转换为图像空间。随着便携式和低成本 MRI 设备的发展，降低内存带宽和能耗的需求日益增长，推动了低精度和混合精度算术的应用。
挑战：
- 传统的低精度量化（如直接量化复数 FFT）容易导致**溢出/下溢（Overflow/Underflow）**错误和精度损失。
- 现有的 FP8 标准（如 NVIDIA Transformer Engine）主要针对 GEMM（矩阵乘法）设计，采用每张量/通道缩放，而 FFT 的蝴蝶运算（Butterfly operations）具有独特的动态范围变化，直接套用现有方案效果不佳。
- 需要在保持图像质量（Fidelity）的前提下，探索如何在边缘计算设备上高效运行低精度 FFT。

2. 方法论 (Methodology)

作者提出了一种混合精度 FFT 实现方案，结合了全局缩放、每块微缩放（MX）和预量化旋转因子（Twiddles）。

2.1 全局 2 的幂次预缩放 (Global Power-of-Two Prescale)

目的：防止蝴蝶运算中的溢出和下溢。
机制：在计算 FFT 之前，根据输入数据的峰值（Peak）和非零值的尾部百分位（Tail percentile），计算一个全局的 2 的幂次增益（Gain）。
- 该增益将输入峰值调整至目标范围，同时将小幅度尾部提升至用户定义的“地板”之上，避免下溢。
- 使用 ldexp 函数应用该缩放。

2.2 MX 缩放复数蝴蝶运算 (MX-scaled Complex Butterfly Operations)

核心创新：将 MX 格式（每块共享指数）应用于 Cooley-Tukey 算法中的复数乘法。
具体流程：
1. 编码：将操作数块（如旋转因子 $w$ 和输入 $v$ ）编码为 FP8 MX 格式（块大小 $B=32$ ，即 32 个实数元素）。
2. 尾数运算：提取尾数（Mantissas），在尾数空间进行复数乘法运算（使用 FP32 累加，类似 GPU 混合精度内核）。
3. 重打包与归一化：将乘积重新打包为新的 MX 块。如果乘积的绝对尾数最大值超过格式限制，则进行重新归一化。
4. 解码：解码得到复数结果，随后在 FP32 精度下执行蝴蝶运算的加减法。
辅助控制：为了验证精度，作者还实现了一个 FP16 基准测试（输入输出量化，蝴蝶运算使用标准 FP16 算术，FP32 累加）。

2.3 评估设置

数据集：使用两个公开 MRI 数据集：fastMRI（脑部，2D 快速自旋回波）和 SKM-TEA（膝盖，3D 梯度回波）。
任务：评估正向 FFT 和往返（Forward-Roundtrip）FFT 的保真度。
指标：峰值信噪比（PSNR）、结构相似性（SSIM）、归一化均方误差（NMSE）。

3. 关键贡献 (Key Contributions)

架构创新：首次将 MX 风格的每块缩放（Per-block scaling）和 FP8 量化引入复数 FFT 的蝴蝶运算中，填补了经典块浮点（BFP）与现代 FP8/MX 实现之间的空白。
误差分析：明确了在 MX 缩放 FFT 中，尾数精度（Mantissa precision）是限制图像质量的主要因素，而非指数范围。
参数优化：通过消融实验确定了最佳实践，包括块大小（Block Size）的选择和预缩放策略。

4. 实验结果 (Results)

格式性能对比：
- MXFP8-E4M3（4 位指数，3 位尾数）在所有 FP8 格式中表现最佳，定量和定性评估均优于其他格式。
- MXFP6-E2M3 紧随其后，表现尚可。
- 2 位尾数格式（如 E5M2/E3M2）导致图像质量显著下降，尽管它们提供了更大的动态范围，但尾数精度不足成为瓶颈。
图像尺寸影响：图像尺寸从 $64\times64$ 增加到 $256\times256$ 对 PSNR/SSIM 影响微弱，说明量化误差主要取决于格式本身而非图像分辨率。
块大小（Block Size）权衡：
- 块大小 $B=2$ （单复数值）表现最差，因为频繁的缩放/重打包边界放大了舍入误差。
- $B=32$ 表现最佳，能更好地摊销缩放开销并稳定统计特性。
- $B=8$ 到 $B=32$ 之间性能提升明显，但 $B>8$ 后收益递减。
往返误差：往返实验（Forward + Inverse）的误差比正向实验更大，因为正向的量化误差（舍入/截断）在逆变换中不可恢复并被放大，且正逆变换的块缩放可能不一致，引入了额外的重量化噪声。

5. 意义与结论 (Significance & Conclusion)

核心结论：在混合精度 MX 缩放 FFT 中，尾数精度比指数范围更重要。为了保持 MRI 图像质量，应优先选择具有更多尾数位的格式（如 E4M3 或 E2M3 配合高尾数），并使用 FP32 累加和较大的块大小（ $B=32$ ）。
应用前景：该研究为在边缘设备（如便携式 MRI）上加速欠采样迭代图像重建提供了理论基础。通过融合“编码→FFT→IFFT→解码”流程，可进一步减少往返损耗。
局限性：虽然结果令人鼓舞，但目前仍处于中间步骤，尚未在所有临床领域达到完全就绪状态，特别是在处理具有极高动态范围的数据时仍需注意量化噪声。

总结建议：若要在 MRI 重建中实施混合精度 FFT，推荐使用 MXFP8-E4M3 或 MXFP6-E2M3 格式，配合 $B=32$ 的块大小 和 FP32 累加，并实施全局 2 的幂次预缩放以优化动态范围。