Come una formula quadratica può ricostruire funzioni con salti improvvisi?

Immagina di voler ricostruire una curva che cambia bruscamente, come un’onda a gradini, usando solo pochi numeri. Un nuovo studio propone un trucco: invece di approssimare la funzione f(x) direttamente, si costruiscono tre coefficienti variabili a(x), b(x) e c(x) che dipendono da x. Con questi si forma l’equazione quadratica a(x)·f² – b(x)·f – c(x)=0. Risolvendo l’equazione con la formula quadratica si ottiene f(x). Il punto chiave è scegliere il segno giusto nella radice, grazie a una “funzione indice” che indica quale delle due soluzioni è quella corretta.
I coefficienti vengono trovati con un semplice metodo dei minimi quadrati, quindi sono lisci e facili da calcolare. Il risultato? Una rappresentazione di ordine 2 in f che supera le classiche approssimazioni con polinomi ortogonali (ordine 0) e le approssimazioni razionali (ordine 1), soprattutto quando la funzione ha transizioni nette o discontinuità.
Un’applicazione pratica è la riduzione del rumore nei dati. Invece di usare costosi algoritmi “edge‑preserving”, si può denoisare la funzione indice con tecniche statistiche o di clustering, mantenendo la struttura della curva sul “varietà algebrica” definita dall’equazione quadratica. I test mostrano che il metodo pulisce i dati preservando i bordi netti.
Il lavoro apre anche domande teoriche: come garantire stabilità numerica, quali algoritmi sono i più efficienti per calcolare a(x), b(x), c(x) e come rappresentare in modo compatto la funzione indice. Insomma, una formula quadratica che diventa una nuova lente per vedere e pulire segnali complessi.

L'approccio proposto si basa su una parametrizzazione algebrica della funzione target f(x) mediante una varietà definita dall'equazione a(x)f^2 - b(x)f - c(x)=0. I coefficienti a(x), b(x) e c(x) sono polinomi di grado scelto (tipicamente ≤ 3) ottenuti minimizzando \(\sum_{i=1}^N (a(x_i)f_i^2 - b(x_i)f_i - c(x_i))^2\) su un campione discreto \{(x_i,f_i)\}. La soluzione quadratica fornisce due radici \(f_{\pm}(x)=\frac{b(x)\pm\sqrt{b(x)^2+4a(x)c(x)}}{2a(x)}\). La funzione indice I(x)∈\{+,-\} seleziona la radice fisicamente coerente, ad esempio mantenendo la continuità o rispettando condizioni al contorno.
Stabilità numerica dipende dalla valutazione del discriminante \(Δ(x)=b(x)^2+4a(x)c(x)\). In regioni dove a(x)≈0, la formula quadratica si degrada a una forma lineare, richiedendo regolarizzazioni o riformulazioni locali. Tecniche di ridge regression o penalizzazioni sui gradienti di a, b, c possono mitigare oscillazioni.
Per la denoising, si può trattare I(x) come un segnale discreto su \([-1,1]\) e applicare filtri di Markov Random Field o metodi di clustering (k‑means, Gaussian Mixture Models) per rimuovere outlier. Poiché a, b, c sono lisci, la proiezione dei dati rumorosi sul manifold definito dall'equazione riduce l'errore quadratico medio rispetto a metodi basati su TV (Total Variation).
Algoritmicamente, la costruzione dei coefficienti può sfruttare decomposizioni SVD per risolvere il sistema lineare sovradeterminato, garantendo una soluzione minima in norma. L'ottimizzazione globale può includere una fase di annealing per I(x), minimizzando \(\sum_i \|f_i - f_{I(x_i)}(x_i)\|^2\).
Infine, la compressione della funzione indice può avvenire mediante codifica entropica o reti neurali leggere, mantenendo un trade‑off tra bitrate e accuratezza della ricostruzione. Questo approccio apre la strada a rappresentazioni non lineari efficienti per segnali con bordi marcati, con potenziali estensioni a più dimensioni e a problemi di inversione di modelli fisici.