ハクソク

世界を動かす技術を、日本語で。

フーリエ変換とは何か？

263日前原文(quantamagazine.org)

概要

  • Fourier変換 は、複雑な信号を基本的な波（周波数）に分解する数学的手法
  • 音楽や画像、物理現象など、幅広い分野で応用
  • Jean-Baptiste Joseph Fourier が19世紀初頭に発見
  • 現代のデータ圧縮や信号処理、量子力学にも不可欠
  • 数学や科学の多くの分野に深い影響を与えた革新

音楽と耳の計算

  • 私たちの耳は、 音楽 を聴く際に複数の周波数成分へと分解する能力
  • コンサートの フルートの高音、ヴァイオリンの中音、ダブルベースの低音 など、様々な音が空気の圧力波として届く
  • 耳の中の 蝸牛（cochlea） で、異なる長さの毛がそれぞれ異なる音程に共鳴
  • その結果、複雑な音が 基本的な音のバケツ に仕分けられる
  • この自然な分解を、人類が数学的に再現できたのは 19世紀 に入ってから

Fourierと数学革命

  • Jean-Baptiste Joseph Fourier が、どんな関数も 基本的な波（周波数） の合成として表現できることを発見
  • この技法は Fourier変換 と呼ばれ、関数を周波数成分に分解
  • 元の関数は、分解した周波数を再び足し合わせることで復元可能
  • Fourier変換 の登場により、 調和解析（harmonic analysis） という新たな数学分野が誕生
  • 数論、微分方程式、量子力学 など、他分野との深い関連も発見

Fourierの人生と熱伝導研究

  • Fourier は1768年フランス生まれ、10歳で孤児となり修道院で教育
  • 宗教と数学の間で葛藤しつつ、最終的に数学教師の道へ
  • フランス革命の推進者だったが、 恐怖政治 下で投獄・処刑寸前となるも生還
  • ナポレオンのエジプト遠征に科学顧問として同行、 熱伝導 の数学的研究を開始
  • 金属棒の一端を加熱したときの 熱分布 を、波の重ね合わせで表現できると主張
  • 急激な温度変化も 無限個の滑らかな曲線 の和で表現可能と提案
  • 当時の数学者は懐疑的だったが、現代では ほぼ全ての関数 がこの方法で表現可能と判明

Fourier変換の仕組み

  • Fourier変換 は、香水の成分や和音の音を分解するようなイメージ
  • 入力として複雑な関数を受け取り、出力として 周波数のセット を返す
  • 各周波数成分ごとに、どれだけ元の関数に寄与しているかを 掛け合わせて平均を取る ことで判定
  • 実際には、 正弦波・余弦波 や 複素数平面 を使って計算
  • 複雑な関数も 少数の周波数成分 に分解できるため、問題解決が容易に
  • 鋭いエッジ を持つ関数（例：デジタル信号の矩形波）は、 無限個の周波数成分（Fourier級数） で近似

画像・データ圧縮とFourier変換

  • 画像 も二次元関数としてFourier変換が可能
  • 各ピクセルの明るさを、 2次元の周波数成分 に分解
  • 周波数ごとの 縞模様や市松模様 の組み合わせで、どんな画像も再構成可能
  • JPEG圧縮では、 高周波成分（細かいディテール） を省略してデータ量を削減
  • 1960年代、 James Cooley と John Tukey が 高速Fourier変換（FFT） を開発し、計算効率が飛躍的に向上

Fourier変換の現代的応用

  • 信号処理 全般でFourier変換が日常的に利用
  • 潮汐の解析、重力波の検出、レーダー、MRIなどの医療画像技術
  • ノイズ除去、音声信号の強調、データ圧縮 技術の基盤
  • 量子力学 では、粒子の位置と運動量の関係（不確定性原理）を数学的に説明
    • 位置の関数をFourier変換すると運動量の関数に
    • 位置が特定できるほど、運動量の分布は広がる現象

数学への影響と調和解析

  • 調和解析 はFourier変換とその逆変換を研究する分野
  • 波動現象の解析や、整数論との深い関係が発見
  • 素数分布の研究など、数学の未解決問題にも応用
  • Fourier変換 なしでは、現代数学の多くが成り立たない規模の影響力

編集注記

  • Flatiron Institute は Simons Foundation の支援を受けており、Quanta Magazineの編集方針には影響しない旨の説明

Hackerたちの意見

宣伝させてください！フーリエ変換や信号処理に興味があるなら、私のちょっとアートっぽい3Dビジュアライゼーションを楽しんでくれるかも。フーリエ変換と分数フーリエ変換のやつね。[1]（キューブの上面に分数フーリエ変換が表示されてる）それと、短時間フーリエ変換もあって、フィルタカーネルが信号に沿ってシフトする様子が見られるよ。[2] [1]: https://static.laszlokorte.de/frft-cube/ [2]: https://static.laszlokorte.de/time-frequency/

└

ビジュアライゼーションが大好き！シェアしてくれてありがとう。分数FTはどうやって計算するの？私の予想ではDFT行列を補間してるんじゃないかな（行列の対数と指数を使って）—合ってる？それとも他の方法を使ってる？

└

それと、「フーリエ変換のアトラス」もおすすめしたいな。フーリエ空間の対称性や位相の直感を理解したいなら、この本はたくさんの構造を示してるよ。

└

これ全部ありがとう！ https://tools.laszlokorte.de/

└

素晴らしい！ありがとう！

フーリエが好きなら、ラプラス（またはその離散版のz変換）も絶対好きになるよ。これ、数年前にすごく面白い深い世界にハマったきっかけで、今でもお気に入りの趣味の一つなんだ。フーリエ、ラプラス、z変換の応用は、幅広い分野で（有名に）役立つよ。私は主に信号処理やアナログ電子工学に使ってる。

└

基本的に、これが電気・電子工学の本質だよね。

└

私がEEをやってた頃は、コンピュータ代数システムにアクセスできなかったな。ラプラス変換の伝達関数をz変換形式に変換するのが「懐かしい」思い出。展開して、再グループ化して因数分解。すごく基本的だけど、すごく面倒な代数をやるのに、鉛筆や消しゴム、ラインプリンタの折りたたみ紙をたくさん使ったよ。今の若い子たちは、どれだけラッキーか知らないだろうな…（玉ねぎをベルトに結びつけて、などなど）

└

数年前、レビューが少ないけど評価が高いAmazonの商品と、評価はちょっと低いけどレビューが多い商品を選ぶのに悩んでたことがよくあった。そこで、ラプラスの継続の法則を使って、ブラウザ拡張機能を作って、商品のラプラススコアを計算するようにしたんだ。高評価と低レビュー数をバランスよく考慮して、より良い判断ができるようになったよ。

このスレッドのみんながリンクをシェアしてるから、私も参加するね。MITのデニス・フリーマンによる「6.003 信号とシステム」の講義が、4つの人気のフーリエ変換（フーリエ変換、離散フーリエ変換、フーリエ級数、離散時間フーリエ変換）の関係を直感的に説明してるよ：https://ocw.mit.edu/courses/6-003-signals-and-systems-fall-2...

└

すごい！ありがとう！

なんか変だな、昨日この記事を読んでたばかりなんだ。物理学の学部を卒業したから、こういうのがすごく懐かしい。テキーラを飲みながら、3blue1brownの動画を見ちゃったよ。

エンジニアリングでフーリエ変換について学んだとき、ほぼすべての繰り返し信号を表現できるっていうのが衝撃だった。数学の学びの集大成が、あの「わお」って瞬間をもたらしてくれたんだ。

私のペット理論なんだけど、フーリエ変換や他の変換（生成関数、メラン、ラプラス、レジャンドル、ハール）がこんなに役立つ理由は、現実の多くの関数がスパースで、圧縮センシングに適しているからだと思う。フーリエ変換は1対1だから、理論的には情報が失われたり得られたりすることはない。多くの現実の条件では、周波数空間で関数を見ることで問題が大幅に軽減されるんだ。なぜかというと、複雑に見える多くの関数は、実は変換された空間でよりシンプルな構成要素から成り立っているから。例えば、ハエの音波はすごく複雑に見えるけど、フーリエ変換を通すと、羽が一定の周波数で打たれている主な要因が見えてくる。二つのサイン波の和も、見た目はごちゃごちゃだけど、フーリエ変換を使うと、信号がきれいに二つのピークに分かれるのがわかる。JPEGやMP3などでのフーリエ変換（またはDCTなど）の利用は、実際には人間の聴覚や視覚の信号応答が均一でないことに気づいて、関心のない周波数を捨てることで「圧縮」しているんだ。フーリエ変換や他の変換の「魔法」は、信号を直交基底のセットに変換することではなく、私たちが気にする多くの信号が実際にはこれらの信号の小さなセットから形成されていることに気づき、それをより簡単に分離できるようにすることなんだ。

└

他のコメントでも言われてるけど、フーリエ変換が特に優れている理由の一つは、サイン、コサイン、複素指数関数が微分演算子の固有関数だからなんだ。多くの現実世界のシステムが微分方程式に支配されているから、フーリエ変換はこれらのシステムを分析する自然な手段になるんだ。音波はその一例だよ。そして、現実の信号がフーリエ変換の領域でスパースである理由がもう一つあるんだ。それは、多くの現実のシステムが周期的な動きを含んでいるから（回転するモーターや、君が言ったハエの羽など）。システムが周期的だと、フーリエ変換は信号を非常に効果的に圧縮できる。なぜなら、すべての信号が基本周波数の調和でなければならないから。

└

君が言った通り、私たちにとって大事なことについてだよね。物理的な機能は少ないかもしれないけど、私たちの脳のモデルは確実にスパースだよ。バイオリンで弾かれる音はサイン関数とは全然違うけど、脳はそれを一つの理想的な音に結びつけるんだ。私たちの世界モデルはすごく圧縮されてる。

この記事に興味がある人には、https://howthefouriertransformworks.com/ で、トピックに関する素敵にキッチュな動画セットがあるよ。基礎知識を分かりやすく解説してくれてるから、すごく良いよ。

これは3b1bによる素晴らしいプレイリストだよ。テーマについてのやつね。: https://www.youtube.com/watch?v=spUNpyF58BY&list=PL4VT47y1w7...

損失のある圧縮についてだけど、サイン波（通常はDCT）の構成がエネルギーの圧縮と圧縮能力を最大化することがわかったんだ。これがARプロセスに対しても成り立つっていう証明は、私にとって大きな気づきだったよ。周波数を変更できる直感的な領域が得られるのもいいボーナスだね :)

画像にフーリエ変換を適用するのは、まるでエイリアンの目を通して世界を見るような素晴らしい方法だよ（スタートレック TNGのジョーディのバイザーみたいに！）。ちょっとした刺激的な発想の転換だね。毛皮や髪の毛のような密な特徴は高周波成分として現れて、最終的にはそのパターンについての直感が育まれていくんだ。