相干谐波求和能比标准搜索代码找回更多脉冲星吗？

相干求和保留了非相干搜索丢弃的脉冲形状

窄脉冲在长傅里叶变换中会表现为自转频率整数倍上的许多谐波。标准搜索把这些谐波的功率相加，却丢掉它们的相位，因此这种方法被称为非相干谐波求和：它换来了灵敏度，却失去了脉冲形状，而且未被求和的谐波仍然携带信号。

CoherentSearch.jl 的做法不同：它在每个试验频率上插值出通常 60 个谐波的复振幅，反变换成一条脉冲轮廓，再用多种宽度的矩形模板检验这条轮廓。同一批谐波还能几乎不额外付出代价地用于在试验频率的 2 至 6 倍处折叠，因此该代码能达到时域折叠搜索需要单独付出成本才能达到的折叠深度。

论文把这描述为在傅里叶域完成快速折叠算法（FFA）的工作。折叠保留每个谐波及其相位，但朴素做法在每个试验频率上要花 O(N²)；即便 FFA 的 O(N log N) 也历来带有很大的常数。傅里叶路线则从搜索本来就要计算的一次变换出发。

归一化频谱让整个搜索只需一个阈值

这项比较没有采用统一的标称信噪比，因为数值 8 在不同代码里含义不同：它们来自不同的试验次数、形状不同的噪声，噪声尾部的权重也不同。研究改为把实测虚警率固定为每次观测 0.1 次虚警，让每个代码使用能达到该虚警率的阈值。

在白噪声下，这个阈值对 CoherentSearch.jl 是 6.75，对 accelsearch 是 7.20，对 riptide 配置 A 和 C 是 7.55，对配置 B 是 7.65。于是代码可以在两个可分离的方面取胜：一是更低的阈值，取决于其噪声分布尾部的形状；二是在阈值之上测到更多信号，取决于其滤波器与脉冲的匹配程度。

阈值能更低，是因为输入频谱经过归一化，每条重建轮廓中的噪声都有闭式解，而不必逐条轮廓估计。这消除了逐轮廓的散布，使单一阈值能在所有折叠深度和频率上成立。论文报告，用白化后的数据实测噪声尺度而非解析计算，在每个膝频率分箱中使检出比例的变化都不到一个百分点。

869,574 次注入的脉冲形状取自实测种群

主要比例来自 869,574 颗模拟脉冲星。其中三分之二是慢脉冲星，周期在 20 ms 至 5 s 之间按对数均匀抽取；三分之一是毫秒脉冲星，周期取自均值 3.5 ms、宽度 1 ms 的高斯分布，并截断在 1.5–10 ms。

慢脉冲星的占空比和轮廓形状取自 MeerKAT Thousand-Pulsar-Array 样本中 1176 颗脉冲星的实测宽度，并对该表中占空比与周期关系的残差以及 10% 与 50% 宽度之比做自助抽样。被散射的脉冲星被保留下来，因为剔除它们会使种群偏向窄脉冲。每条轮廓是一个 von Mises（即圆高斯）核心，其翼部经过求解以复现抽取的宽度比，因为单个 von Mises 无法表示约三分之一的实测种群。毫秒脉冲星的占空比在 2% 至 30% 之间均匀抽取。

这影响如何解读这些百分比：它们描述的是对形状类似实测脉冲星的种群的找回情况，而不是对理想化窄脉冲网格的找回情况。慢脉冲星种群中只有 12.6% 的占空比低于 1%，因此最难的情况只占总数的一小部分。

窄脉冲上领先最大，最深折叠处则反转

在白噪声中，CoherentSearch.jl 找回了 76.3% 的注入信号。riptide 在其推荐配置 C 下找回 64.5%，运行时间约为新代码的三倍；在与新代码覆盖范围和计算量相匹配的配置 A 下找回 50.2%；在配置 B 下找回 71.4%，运行时间约为七倍。accelsearch 找回 41.6%，但速度快得多；prepfold 在已知周期时达到 99.4%，属于最佳情形而非搜索竞争者。

占空比是最关键的维度。在 0.5–1% 的占空比下，配置 A 找到 8.6%，新代码为 66.3%；低于 0.5% 时分别为 2.2% 和 46.7%。配置 C 的 120–140 箱折叠在 1% 至 4% 占空比之间把配置 A 的检出数大约翻倍，并在 8% 以上与配置 B 相当；但在 1% 以下，它只找到 11.5% 和 32.3%，而新代码为 46.7% 和 66.3%，因为它的折叠止于 140 箱。

配置 B 折叠 960–1040 箱，而默认配置折叠 120 箱，它在 0.5% 以下占空比上胜过默认配置，为 61.1% 对 46.7%，并在 0.5% 至 1% 之间与默认配置持平。在 1% 以上，默认配置在每种宽度上都领先三种配置。论文把窄脉冲上的损失归因于谐波截断而非矩形滤波器：在恢复统计量的模型与截断于 H 个谐波的理想匹配滤波器之间，这些宽度下吻合到 0.1%；而在 0.3% 占空比下，一个脉冲还不到 120 个轮廓箱中一个箱的一半。

相对推荐 FFA，全部优势都来自阈值

论文直接区分了两种优势来源。若改用 riptide 自己的阈值 7.55 而非新代码的 6.75 来评分，CoherentSearch.jl 会检出 61.6% 的白噪声注入信号。这高于配置 A 的 50.2%，但低于配置 C 的 64.5%。

因此相对配置 A，略多于一半的领先来自更低的阈值，其余来自测到更多信号。相对配置 C，更低的阈值解释了全部领先，而 C 的折叠总体上测到的信号略多。对于两者都检出的脉冲星，新代码在 2% 以下占空比上测到更多信号，在 4% 以上则更少，这正是 120–140 箱折叠与一组不同折叠深度相比时预期出现的模式。

对检出比例与注入信噪比做逻辑斯蒂拟合，可得到每个代码检出半数注入信号所需的亮度：CoherentSearch.jl 为 6.84，riptide B 为 7.15，riptide C 为 7.58，riptide A 为 8.49，accelsearch 为 9.07。在 1% 以下占空比，排序发生变化：默认配置为 7.64，riptide B 为 7.57，riptide C 为 9.86，新代码的深度遍历为 6.77。

红噪声完全不移动新阈值，但白化是必需的

在注入红噪声下，新代码的阈值不动，其统计量中红噪声减白噪声的配对差值在每个膝频率下、100 Hz 以上都恰好为零。50% 检出所需的注入亮度在五个膝频率分箱中分别上升 1.00、1.00、1.05、1.12 和 1.27 倍，因此代价局限于低频。论文指出，这处于或低于此前 PALFA 注入对 0.1–2 s 脉冲星测得的 1.1–2 倍退化范围的下端，并说明那些观测还包含射频干扰，而本研究只建模红噪声。

riptide 的表现取决于如何对待它。按作者意图运行时，它采用时域滑动中值去趋势，一旦膝频率升到约 0.3 Hz 以上，其候选列表在慢周期处就充满假阳性：每次观测 0.1 次虚警所需的阈值从 7.6 升到 250，而每次观测只用一个阈值会使其检出比例实际上降到零。若在每个自转频率带内给它单独阈值，它在最温和的膝频率下可恢复到 79.6%，在最严酷时降到 30.9%，而新代码为 84.2% 和 54.5%；但分带匹配无法完全修复被淹没的列表，因为偶然符合会虚增声称的检出。

最公平的检验是把同样的白化数据喂给 riptide。关闭其滑动中值滤波后，其阈值稳定在 7.55–7.65，配置 C 在最温和的膝频率下找回 61.3%，在最严酷时找回 38.3%，而 CoherentSearch.jl 在相同观测上为 76.1% 和 48.1%。两个代码在最差膝频率下都保留了温和噪声灵敏度的 63%，白化使 riptide 在白噪声上损失约 1%。论文由此得出结论：FFA 和新代码对红噪声的灵敏度损失比例相同，riptide 的崩溃完全来自其去趋势步骤。

对傅里叶方法而言，白化不是可选项。在原始 FFT 上运行、并因解析值假设输入已归一化而从数据实测噪声尺度时，检出比例在同一膝频率范围内从 77% 降到 1%，匹配阈值被迫从 6.8 升到 11.8。单一缩放因子无法修正红色频谱，因为在 r 处的试验会求和到 60r 的谐波，可能混合噪声功率相差数个量级的频箱。

速度有利于傅里叶代码，深度遍历覆盖最窄脉冲

在单个 CPU 核心上，CoherentSearch.jl 在匹配频率覆盖时比 riptide 快 1.4–2.2 倍，在 48 核上可扩展到快 27 倍，现代 GPU 比 20 核工作站快至多九倍。它仍比 accelsearch 慢一个数量级，因此论文表示，想先扫过最亮脉冲星的巡天仍应先运行非相干 FFT 搜索。

默认配置唯一的失利是在 0.5% 以下占空比上输给深得多的 FFA 折叠。第二遍遍历使用 120 个谐波和最高 12 的抽取因子，只覆盖 5 Hz 以下的自转频率，覆盖了所有占空比低于 0.5% 的注入脉冲星，这些脉冲星在该种群中都慢于 1.7 Hz。它在单核上每次观测耗时 3.1 s，而默认配置为 10.8 s；单独运行时它找到 71.3% 的最窄脉冲星，是研究中所有搜索里最好的。

两遍遍历的并集，其阈值在拼接后的候选列表上测量，使第二遍为自己的试验付出代价，在每种占空比上都领先 riptide B：最窄处为 66.2% 对 61.1%，最宽处为 77.0% 对 65.5%，每次观测耗时 13.9 s 对 79.1 s。在整个种群上，第二遍只增加 1.3 个百分点，因为它惠及的脉冲星只占种群的一小部分，默认配置仍是论文的主要对象。

这项比较不包含干扰和加速搜索

研究有意排除了射频干扰。riptide 没有干扰剔除阶段，因为它在时域去趋势，所以对频谱做剔除将是强加给它的步骤；论文还指出，此前对 PRESTO 掩膜的测试发现其对灵敏度影响很小。红噪声模型同样只包含红噪声，这也是论文把其退化程度放在对真实观测做通量定标注入所测结果下端的原因。

加速搜索也不在所实现方法的范围内。紧密双星中的脉冲星会按谐波数成比例地把谐波抹到相邻频箱，而让代码变快的那些效率手段，尤其是表格化插值权重和跨抽取复用谐波，都依赖每个谐波是一个试验频率的固定倍数。论文为加速脉冲星建议的路线是时域加速搜索，在 FFT 之前拉伸或压缩时间序列，这与该代码仍然兼容。

论文还指出，该方法并不专属于脉冲星：任何在未知周期上搜索窄周期形状的问题，都是同时搜索谐波相位和振幅；它举出系外行星凌星搜索为例，那需要不同的 FFT 归一化和一组凹陷模板而非脉冲模板。

本文引用的文献