🔀

ビット演算を用いた非再帰 FFT

2021/06/11に公開

離散フーリエ変換( DFT )の定義

n 個の複素数列 \bm{x} = (x_0, x_1, \ldots, x_{n - 1}) に対し,これらの離散フーリエ変換( DFT ) \bm{X} = (X_0, X_1, \ldots, X_{n - 1}) は次で定義されます.

X_k = \sum_{j = 0}^{n - 1} \zeta_n^{-jk} x_j \tag{1}

ただし \zeta_n

\zeta_n = e^{\frac{2\pi i}{n}} = \cos\frac{2\pi}{n} + i\sin\frac{2\pi}{n}

で定義され, n 乗すると 1 になる虚数の 1 つです.

\zeta_{2n}2a 乗を計算すると, \zeta_{2n}^{2a} = e^{\frac{2\pi i}{2n}\cdot 2a} = e^{\frac{2\pi i}{n} \cdot a} となって, \zeta_na\zeta_n^a と同じになります.

また, DFT の定義式 (1) は,整数 k0 \leq k < n の範囲になくても計算することができます. \zeta_n^{a + n} = \zeta_n^a \cdot \zeta_n^n = \zeta_n^a に注意すると, X_{k + n} = X_k が成り立つことが分かります.よって, k0 \leq k < n の範囲を超えたときは, k の代わりに, kn で割った余りで考えても問題ありません.

時間間引き( DIT )

n が偶数であると仮定し, n = 2m とおきます.このとき,長さ m の数列の DFT を用いて長さ n の数列の DFT を表すことを考えます.

まず,定義 (1) より長さ n の DFT は

\begin{aligned} X_k &= \sum_{j = 0}^{n - 1} \zeta_n^{-jk} x_j \\ &= x_0 + \zeta_n^{-k} x_1 + \zeta_n^{-2k} x_2 + \cdots + \zeta_n^{-(n - 1)k} x_{n - 1} \end{aligned}

ですが,ここで右辺を jx の添字)の偶奇で 2 つに分けます.すると,

\begin{aligned} X_k &= x_0 + \zeta_n^{-2k} x_2 + \zeta_n^{-4k} x_4 + \cdots + \zeta_n^{-(n - 2)k} x_{n - 2} \\ &+ \zeta_n^{-k} x_1 + \zeta_n^{-3k} x_3 + \zeta_n^{-5k} x_5 + \cdots + \zeta_n^{-(n - 1)k} x_{n - 1} \end{aligned}

となります(上が偶数,下が奇数).奇数の方は \zeta_n^{-k} でくくることができます.

\begin{aligned} X_k &= x_0 + \zeta_n^{-2k} x_2 + \zeta_n^{-4k} x_4 + \cdots + \zeta_n^{-(n - 2)k} x_{n - 2} \\ &+ \zeta_n^{-k} (x_1 + \zeta_n^{-2k} x_3 + \zeta_n^{-4k} x_5 + \cdots + \zeta_n^{-(n - 2)k} x_{n - 1}) \end{aligned}

さらに, \zeta の添字と肩にある nn = 2m を代入すると

\begin{aligned} X_k &= x_0 + \zeta_{2m}^{-2k} x_2 + \zeta_{2m}^{-4k} x_4 + \cdots + \zeta_{2m}^{-2(m - 1)k} x_{n - 2} \\ &+ \zeta_n^{-k} (x_1 + \zeta_{2m}^{-2k} x_3 + \zeta_{2m}^{-4k} x_5 + \cdots + \zeta_{2m}^{-2(m - 1)k} x_{n - 1}) \end{aligned}

となりますが, \zeta_{2m}^{2a} = \zeta_m^a が成り立つため

\begin{aligned} X_k &= x_0 + \zeta_m^{-k} x_2 + \zeta_m^{-2k} x_4 + \cdots + \zeta_m^{-(m - 1)k} x_{n - 2} \\ &+ \zeta_n^{-k} (x_1 + \zeta_m^{-k} x_3 + \zeta_m^{-2k} x_5 + \cdots + \zeta_m^{-(m - 1)k} x_{n - 1}) \end{aligned}

となります.このとき,上は長さ m の数列 (x_0, x_2, x_4, \ldots, x_{n - 2}) の DFT になっていて,下は長さ m の数列 (x_1, x_3, x_5, \ldots, x_{n - 1}) の DFT になっています.

このように, (x_0, x_2, x_4, \ldots, x_{n - 2})(x_1, x_3, x_5, \ldots, x_{n - 1}) の DFT を用いて (x_0, x_1, x_2, \ldots, x_{n - 1}) の DFT を表すことを,時間間引き( DIT )といいます.

記法の導入

\bm{x} = (x_0, x_1, x_2, \ldots, x_{n - 1}) の添字を 2 進法で表したとき,最下位( 1 の位)が 0 であるようなものだけを取ってきて \bm{x}_{:0} = (x_0, x_2, x_4, \ldots, x_{n - 2}) とします.同様に,最下位が 1 であるようなものだけを取ってきて \bm{x}_{:1} = (x_1, x_3, x_5, \ldots, x_{n - 1}) とします.

次に, \bm{x}_{:0} の DFT を (X_{0:0}, X_{1:0}, X_{2:0}, \ldots, X_{m - 1:0})\bm{x}_{:1} の DFT を (X_{0:1}, X_{1:1}, X_{2:1}, \ldots, X_{m - 1:1}) とします.

すると,上の DIT は次のように書くことができます.

X_k = X_{k:0} + \zeta_n^{-k} X_{k:1}

高速フーリエ変換( FFT )

m も偶数と仮定して m = 2l とおき, \bm{x}_{:0}\bm{x}_{:1} に対してさらに DIT をかけることを考えます.

\bm{x} の添字を 2 進法で表し,最下位が 01 であるようなものを取ってきて,それぞれ \bm{x}_{:0}\bm{x}_{:1} としたのでした.同じ操作を \bm{x}_{:0} に対してもう一度やると,今度は「\bm{x} の添字を 2 進法で表したとき,下 2 桁が 0010 であるようなもの」が出てきます.これをそれぞれ \bm{x}_{:00}\bm{x}_{:10} とします.同様に,同じ操作を \bm{x}_{:1} に対してやったものを \bm{x}_{:01}\bm{x}_{:11} とします.そして,各 \iota = 00, 01, 10, 11 について, \bm{x}_{:\iota} の DFT を (X_{0:\iota}, X_{1:\iota}, X_{2:\iota}, \ldots, X_{l - 1:\iota}) とします(変数 \iota は整数ではなく 01 の並びにつけられた名前だと思ってください).

すると, \bm{x}_{:0}\bm{x}_{:1} の DFT に対する DIT はそれぞれ

\begin{aligned} X_{k:0} &= X_{k:00} + \zeta_m^{-k} X_{k:10} \\ X_{k:1} &= X_{k:01} + \zeta_m^{-k} X_{k:11} \end{aligned}

となります.

もし n2 のべき乗ならば,これを数列の長さが 1 になるまで繰り返すことができます.

t 回目の DIT を行った後,数列の長さは \frac{n}{2^t} となり,次の DIT は

\begin{aligned} X_{k:\iota} &= X_{k:0\iota} + \zeta_{\frac{n}{2^t}}^{-k} X_{k:1\iota} \\ &= X_{k:0\iota} + \zeta_{n}^{-k 2^t} X_{k:1\iota} \end{aligned}

となります.

数列 \bm{x}_{:0\ldots00}\bm{x}_{:0\ldots01}\bm{x}_{:0\ldots10}\ldots\bm{x}_{:1\ldots11} の長さが 1 になったとき,これらは (x_0)(x_1)(x_2)\ldots(x_{n - 1}) に他なりません.長さ 1 の数列は DFT しても変わらないので,

\begin{aligned} (X_{0:0\ldots00}) &= (x_0) \\ (X_{0:0\ldots01}) &= (x_1) \\ (X_{0:0\ldots10}) &= (x_2) \\ \vdots \\ (X_{0:1\ldots11}) &= (x_{n - 1}) \end{aligned}

となります.

X_k を求めるには X_{k:0}X_{k:1} が分かればよく, X_{k:0}X_{k:1} を求めるには X_{k:00}X_{k:01}X_{k:10}X_{k:11} が分かればよいので, X_{0:0\ldots00}X_{0:0\ldots01}X_{0:0\ldots10}\ldotsX_{0:1\ldots11} が分かれば,逆にたどることで X_k が得られます.

こうして, DIT を繰り返すことによって DFT を行うのが,高速フーリエ変換( FFT )です.

実装

実装の際は, X の添字 k:\iota を「 k2 進法表記と \iota を並べて書いて 1 つの数とみなしたもの」として扱います.たとえば, k = 5\iota = 10 ならば, k = 101_{(2)}10 を並べて書くと 10110_{(2)} = 22 なので, X[22]X_{5:10} の値が入ります.

以下に, C++, python, Rust での実装を示します.

FFT の C++ による実装
#include <vector>
#include <complex>
#include <cassert>

constexpr double TAU = 6.28318530717958647692528676655900577;

void fft(std::vector<std::complex<double>> &x, const unsigned bit){
	std::size_t n = x.size();
	assert(n == 1 << bit);
	std::size_t mask1 = n - 1; // k が数列の長さを超えたときに割った余りをとるマスク
	std::vector<std::complex<double>> zeta(n);
	for(std::size_t i = 0; i < n; ++i){
		zeta[i] = std::polar(1., -TAU * i / n); // ゼータの -i 乗
	}
	for(unsigned i = 0; i < bit; ++i){
		std::size_t mask2 = mask1 >> i + 1; // イオタの部分を得るマスク
		std::vector<std::complex<double>> tmp(n);
		for(std::size_t j = 0; j < n; ++j){
			std::size_t lower = j & mask2; // イオタの部分
			std::size_t upper = j ^ lower; // k の部分
			std::size_t shifted = upper << 1 & mask1;
			tmp[j] = x[shifted | lower] + zeta[upper] * x[shifted | mask2 + 1 | lower];
		}
		x = std::move(tmp);
	}
}
FFT の python による実装
import math
import cmath

def fft(x, bit):
    n = len(x)
    assert n == 1 << bit
    mask1 = n - 1 # k が数列の長さを超えたときに割った余りをとるマスク
    zeta = [cmath.rect(1, -math.tau * i / n) for i in range(n)] # ゼータの 0 乗から -(n - 1) 乗
    for i in range(bit):
        mask2 = mask1 >> i + 1 # イオタの部分を得るマスク
        tmp = []
        for j in range(n):
            lower = j & mask2 # イオタの部分
            upper = j ^ lower # k の部分
            shifted = upper << 1 & mask1
            tmp.append(x[shifted | lower] + zeta[upper] * x[shifted | mask2 + 1 | lower])
        x = tmp
    return x
FFT の Rust による実装
use num::complex::Complex64; // 複素数
use std::f64::consts::TAU; // 2π

fn fft(x: &mut Vec<Complex64>, bit: u32) {
    let n = x.len();
    assert_eq!(n, 1 << bit);
    let mask1 = n - 1; // k が数列の長さを超えたときに割った余りをとるマスク
    let zeta: Vec<_> = (0..n)
        .map(|i| Complex64::from_polar(1., -TAU * i as f64 / n as f64))
        .collect(); // ゼータの 0 乗から -(n - 1) 乗
    for i in 0..bit {
        let mask2 = mask1 >> i + 1; // イオタの部分を得るマスク
        *x = (0..n)
            .map(|j| {
                let lower = j & mask2; // イオタの部分
                let upper = j ^ lower; // k の部分
                let shifted = upper << 1 & mask1;
                x[shifted | lower] + zeta[upper] * x[shifted | mask2 + 1 | lower]
            })
            .collect();
    }
}

終わりに

この記事で扱った実装方法は satanic さんの github.io に載っていたもので,るまさんのブログでも解説されています.私は勝手に satanic FFT などと呼んでいます.

追記 (2021/10/12)

同様の手法で実装した NTT です.

Discussion