Đặt vấn đề: bên trong tiếng “alo” có một đống sóng đang chen nhau

Không có âm thanh nào thật sự chỉ là một âm thanh.

Giả sử bạn cầm điện thoại lên và nói:

Alo, tối nay ăn gì?

Tai chúng ta nghe thấy một câu nói.

Nhưng cái microphone bé tí trong điện thoại lại nhìn thấy một thứ khác: một đường cong ngoằn ngoèo, lúc cao lúc thấp, run bần bật hàng chục nghìn lần mỗi giây.

Trong đường cong ấy có giọng của bạn, tiếng quạt máy, tiếng xe ngoài đường, tiếng điều hòa, tiếng gió đập vào microphone, tiếng vọng từ bức tường, thậm chí có cả những nhiễu điện mà tai người chẳng hề biết chúng tồn tại.

Một mớ mì.

Và hơn hai trăm năm trước, một nhà toán học người Pháp tên Joseph Fourier đã đưa ra một ý tưởng hơi điên:

Có thể hiểu một đường cong phức tạp bằng cách tách nó thành nhiều sóng hình sin đơn giản.

Một sóng chậm.

Một sóng nhanh.

Một sóng rất nhỏ.

Một sóng to hơn.

Chồng chúng lên nhau.

Bùm.

Ta có thể tái tạo lại đường cong ban đầu.

 1Sóng đơn giản 1     ~~~~~~~~
 2
 3Sóng đơn giản 2     ~ ~ ~ ~ ~ ~ ~ ~
 4
 5Sóng đơn giản 3     ∿∿∿∿∿∿∿∿∿∿∿∿∿
 6
 7                   cộng lại
 8                       ↓
 9
10Tín hiệu thật       _/\_/\/\___/\/\_/\/\__

Nghe thì có vẻ như một trò toán học khá vô dụng.

Nhưng tới năm 2026, mỗi lần chúng ta kết nối Wi-Fi, gọi điện thoại, nghe nhạc, gửi một bức ảnh JPEG, xem video, dùng tai nghe chống ồn, chụp MRI hay ngồi trên một chiếc ô tô có radar, hậu duệ của ý tưởng Fourier đang chạy đâu đó trong silicon.

Không phải phép màu.

Là hàng tỷ transistor đang cộng, nhân và xoay những con số để hỏi một câu rất cổ:

Trong cái thứ hỗn loạn này, đang có những con sóng nào?

Joseph Fourier: người bắt đầu từ một cục sắt nóng

Jean-Baptiste Joseph Fourier sinh năm 1768 tại Auxerre, Pháp.

Cuộc đời ông không giống hình ảnh một giáo sư toán ngồi yên trong thư viện.

Fourier sống qua Cách mạng Pháp, từng bị bắt, từng đứng gần nguy cơ lên máy chém, học và sau đó giảng dạy tại École Polytechnique, tham gia đoàn viễn chinh Ai Cập của Napoleon, rồi được bổ nhiệm làm tỉnh trưởng Isère tại Grenoble.

Ông từng học với hai quái vật toán học thời đó: Joseph-Louis Lagrange và Pierre-Simon Laplace. Fourier rất kính trọng Lagrange; với Laplace thì đánh giá của ông dè dặt hơn một chút. (Maths History)

Nhưng thứ khiến Fourier trở nên bất tử không phải Napoleon.

Không phải Ai Cập.

Mà là… nhiệt.

Khoảng năm 1804, Fourier bắt đầu suy nghĩ về một câu hỏi nghe cực kỳ bình thường:

Nếu nung nóng một thanh sắt ở một đầu, nhiệt sẽ chạy sang đầu kia như thế nào?

Nhìn bằng mắt thì chẳng có gì xảy ra.

Thanh sắt vẫn nằm đó.

Nhưng bên trong vật chất, năng lượng nhiệt đang lan đi.

Fourier xây dựng phương trình mô tả quá trình này. Ở dạng một chiều đơn giản:

$$ \frac{\partial u}{\partial t}

\alpha \frac{\partial^2 u}{\partial x^2} $$

Trong đó:

$u(x,t)$ là nhiệt độ tại vị trí $x$ và thời điểm $t$.
$\alpha$ là hệ số khuếch tán nhiệt của vật liệu.

Nhưng viết được phương trình mới chỉ là nửa trận đánh.

Câu hỏi khó hơn là:

Giải nó thế nào?

Một đường cong nhiệt độ có thể rất xấu xí

Giả sử ta có một thanh kim loại.

Ban đầu:

đoạn bên trái nóng 100°C,
đoạn bên phải lạnh 0°C.

Đồ thị nhiệt độ có thể giống như thế này:

1Nhiệt độ
2
3100 ──────────────┐
4                  │
5                  │
6  0               └──────────────
7    ──────────────────────────────> vị trí

Có một cú gãy rất khó chịu ở giữa.

Các phương pháp toán học thời đó rất thích những hàm đẹp.

Trơn tru.

Đạo hàm ngoan ngoãn.

Không làm giáo sư đau đầu.

Còn Fourier thì bảo đại ý:

Không sao. Tôi sẽ làm món này từ sin và cos.

Đây chính là chỗ quả bom nổ.

Chuỗi Fourier: Lego dành cho đường cong

Hãy tưởng tượng bạn có một đống Lego.

Mỗi miếng Lego chỉ có một hình dạng đơn giản.

Nhưng nếu có đủ nhiều miếng, bạn có thể xây:

ngôi nhà,
con tàu,
con khủng long,
hoặc một thứ mà trẻ con gọi là tàu vũ trụ nhưng người lớn nhìn không hiểu gì.

Fourier làm điều tương tự với hàm số.

Các viên Lego của ông là:

$$ \sin(x),\cos(x), $$

$$ \sin(2x),\cos(2x), $$

$$ \sin(3x),\cos(3x), $$

và cứ thế tiếp tục.

Một hàm tuần hoàn thích hợp có thể được biểu diễn thành:

$$ f(x)

\frac{a_0}{2} + \sum_{n=1}^{\infty} \left[ a_n\cos(nx)+b_n\sin(nx) \right] $$

Các hệ số được tính bằng:

$$ a_n

\frac{1}{\pi} \int_{-\pi}^{\pi} f(x)\cos(nx),dx $$

và:

$$ b_n

\frac{1}{\pi} \int_{-\pi}^{\pi} f(x)\sin(nx),dx $$

Nhìn công thức hơi dữ.

Nhưng ý nghĩa lại rất trẻ con.

Ta đang hỏi đường cong:

Này, trong người mày có bao nhiêu sóng chậm?

Rồi:

Có bao nhiêu sóng nhanh gấp đôi?

Rồi:

Nhanh gấp ba?

Rồi:

Nhanh gấp bốn?

Mỗi $a_n$, $b_n$ chính là câu trả lời.

Ví dụ điên rồ nhất: dùng những đường cong tròn trịa để dựng một hình vuông

Hãy lấy sóng vuông:

1     ┌───────┐       ┌───────┐
2     │       │       │       │
3─────┘       └───────┘       └────

Nó chẳng giống sin tí nào.

Sin thì mềm mại:

1       /¯\       /¯\
2______/   \_____/   \______
3      \   /     \   /
4       \_/       \_/

Thế nhưng ta có thể viết sóng vuông bằng:

$$ f(x)

\frac{4}{\pi} \left( \sin x + \frac{1}{3}\sin 3x + \frac{1}{5}\sin 5x + \frac{1}{7}\sin 7x +\cdots \right) $$

Chỉ lấy sóng đầu tiên:

1     ~~~~~~~

Khá tệ.

Thêm vài harmonic:

1    /¯¯¯\____/¯¯¯\

Thêm vài chục harmonic:

1   ┌──────┐     ┌──────┐
2───┘      └─────┘      └───

Nó bắt đầu giống sóng vuông một cách đáng sợ.

Đây là một trong những điểm khiến ý tưởng Fourier đầu thế kỷ XIX trở nên gây tranh cãi.

Ông không chỉ nói:

Tôi biết cách giải phương trình nhiệt.

Ông gần như đang nói:

Những đường cong xấu xí mà các ông nghĩ không thể xử lý được, tôi có thể tháo chúng ra thành những con sóng sạch sẽ.

Vấn đề là các nhà toán học lớn nhất thế giới lúc đó chưa chắc đã chịu nuốt chuyện này.

Năm 1807: Fourier mang quả bom vào Viện Hàn lâm

Ngày 21 tháng 12 năm 1807, Fourier trình bày bản thảo về sự truyền nhiệt trong vật rắn trước Institut de France.

Một ủy ban được thành lập gồm:

Lagrange,
Laplace,
Monge,
Lacroix.

Bản thảo chứa hai thứ cực kỳ quan trọng:

phương trình mô tả khuếch tán nhiệt,
kỹ thuật biểu diễn nghiệm bằng các chuỗi lượng giác mà ngày nay gọi là Fourier series. (Maths History)

Và rồi vấn đề bắt đầu xuất hiện.

Các nguồn lịch sử không hoàn toàn mô tả phản ứng của từng người giống nhau.

MacTutor ghi nhận rằng Lagrange và Laplace đều phản đối hoặc chưa bị thuyết phục bởi việc Fourier khai triển các hàm thành chuỗi lượng giác. (Maths History)

Trong khi một khảo cứu lịch sử khác thuộc Dictionary of Scientific Biography mô tả tình hình tinh tế hơn: Laplace, Monge và Lacroix nhìn chung nghiêng về phía chấp nhận công trình, còn Lagrange mới là người phản đối mạnh nhất. (Maths History)

Vì vậy, nếu kể câu chuyện này thành:

Fourier đấu tay đôi với Laplace.

thì hơi giống biến lịch sử toán học thành phim Marvel.

Sự thật thú vị hơn nhiều.

Fourier và Laplace: không hẳn là hai ông già cầm ghế đánh nhau

Fourier và Laplace có ít nhất hai tầng bất đồng.

Tầng thứ nhất: toán học

Fourier dùng một ý tưởng cực kỳ rộng:

Một phân bố nhiệt ban đầu rất tổng quát có thể được phân tích bằng các thành phần lượng giác.

Ngày nay sinh viên kỹ thuật nhìn chuyện đó và bảo:

Ờ, Fourier series.

Nhưng năm 1807 chưa có cái đặc quyền nhìn ngược lịch sử như chúng ta.

Khái niệm:

hàm số,
hội tụ,
tính liên tục,
tính khả tích,

chưa được xây dựng chặt chẽ như toán hiện đại.

Nói một hàm có góc nhọn, thậm chí gián đoạn, lại có thể được biểu diễn bằng vô hạn hàm sin trơn tru là một tuyên bố rất mạnh.

Nếu tôi sống năm 1807 chắc cũng hỏi:

Ông chắc chưa?

Phản biện của những người như Lagrange và Laplace vì vậy không phải ngu ngốc.

Nó buộc toán học thế kỷ XIX sau đó phải trả lời hàng loạt câu hỏi sâu hơn:

Chuỗi Fourier hội tụ khi nào?

Hội tụ về cái gì?

Nếu hàm bị nhảy thì sao?

Từ đây xuất hiện những con người như Dirichlet, Riemann, Lebesgue và cả một mảng lớn của giải tích hiện đại.

Nói hơi kịch tính một chút:

Fourier muốn giải một cục sắt nóng.

Cuối cùng ông làm toán học phải định nghĩa lại xem “hàm số” thực sự là cái quái gì.

Tầng thứ hai: vật lý

Laplace vẫn làm việc trong truyền thống caloric theory, coi nhiệt như một loại chất lỏng vô hình — caloric — có thể chuyển từ vật này sang vật khác.

Fourier chọn con đường khác.

Ông không nhất thiết phải tuyên bố bản chất cuối cùng của nhiệt là cái gì.

Ông hỏi:

Cho tôi nhiệt độ ở đây, nhiệt độ ở kia, tính dẫn nhiệt của vật liệu và điều kiện biên. Tôi sẽ tính dòng nhiệt.

Đó là một thay đổi triết học rất lớn.

Laplace muốn tiến sâu xuống cơ chế vi mô của tự nhiên.

Fourier nói gần như:

Tôi chưa cần biết con quỷ nhỏ nào đang mang nhiệt chạy trong vật chất. Tôi có thể xây dựng một định luật vĩ mô đo được và dự đoán được trước.

Các lý thuyết nhiệt của Laplace sau đó dần mất vị trí; tài liệu lịch sử ghi nhận caloric theory của ông không phù hợp với những phát triển của Petit và Fourier. (Maths History)

Đây mới là xung đột thú vị nhất.

Không phải hai con người.

Mà là hai cách hỏi tự nhiên.

Rồi Fourier thắng?

Không đơn giản như vậy.

Năm 1811, Viện Hàn lâm tổ chức giải thưởng về bài toán truyền nhiệt.

Fourier gửi phiên bản mở rộng của công trình.

Ông được trao giải.

Nhưng hội đồng vẫn phê bình công trình về tính chặt chẽ và tính tổng quát. (Maths History)

Đến năm 1822, tác phẩm lớn:

Théorie analytique de la chaleur — Lý thuyết giải tích về nhiệt

được xuất bản.

Từ đó, con quái vật đã thoát khỏi chuồng.

Fourier analysis bắt đầu sống một cuộc đời chẳng còn liên quan riêng đến nhiệt nữa.

Từ chuỗi Fourier đến biến đổi Fourier

Chuỗi Fourier đặc biệt thích hợp với tín hiệu tuần hoàn.

Nhưng tiếng nói của bạn đâu có lặp vô hạn.

Một tiếng:

Alo.

xảy ra rồi biến mất.

Ta cần một phiên bản rộng hơn.

Đó là Fourier Transform.

Với tín hiệu liên tục $f(t)$:

$$ F(\omega)

\int_{-\infty}^{\infty} f(t)e^{-i\omega t},dt $$

Và biến đổi ngược:

$$ f(t)

\frac{1}{2\pi} \int_{-\infty}^{\infty} F(\omega)e^{i\omega t},d\omega $$

Đừng để số phức $e^{i\omega t}$ dọa.

Euler đã cho chúng ta:

$$ e^{i\theta}

\cos\theta+i\sin\theta $$

Nên sâu bên dưới, Fourier Transform vẫn đang làm đúng trò cũ:

hỏi tín hiệu có bao nhiêu dao động ở từng tần số.

Miền thời gian và miền tần số: nhìn cùng một con voi bằng hai phía

Giả sử ta ghi một hợp âm piano.

Trong miền thời gian:

1amplitude
2   │
3   │ /\_/\/\_/\/\/\__/\/\_/\
4   │/                       \_
5───┴─────────────────────────── time

Trông như một đống rối.

Fourier Transform có thể biến nó thành:

1energy
2  │
3  │      █
4  │      █       █
5  │  █   █       █       █
6──┴────────────────────────── frequency
7    261 329     392      ...

Đột nhiên ta nhìn thấy các nốt.

Cùng một tín hiệu.

Nhưng đổi góc nhìn.

Đây là điều khiến Fourier analysis mạnh đến mức hơi kỳ quái.

Trong miền thời gian, một vấn đề có thể rất khó.

Sang miền tần số, nó có thể trở nên ngu ngốc đến mức dễ.

Một ví dụ: bỏ tiếng ù 50 Hz

Giả sử microphone ghi:

1giọng nói + tiếng ù điện 50 Hz

Trong miền thời gian, hai thứ trộn vào nhau.

Nhưng Fourier Transform có thể cho ta thấy:

 1phổ tần số
 2
 3│
 4│                giọng nói
 5│      █       █████████████
 6│      █
 7│      █
 8└──────┬──────────────────────
 9      50 Hz
10    tiếng ù

Ta giảm thành phần 50 Hz xuống.

Sau đó biến đổi ngược.

Tiếng ù biến mất hoặc giảm mạnh.

Đó là nền tảng của rất nhiều kỹ thuật lọc tín hiệu.

Nhưng máy tính không có thời gian tính tích phân từ âm vô cực đến dương vô cực

Máy tính không nhìn thấy hàm liên tục.

Nó nhìn thấy mẫu:

10.12
20.18
30.31
40.27
50.05
6...

Ta dùng Discrete Fourier Transform — DFT:

$$ X_k

\sum_{n=0}^{N-1} x_n e^{-i2\pi kn/N} $$

Nếu tính trực tiếp, với $N$ mẫu ta cần cỡ:

$$ O(N^2) $$

phép toán.

Với tín hiệu lớn, hơi căng.

Rồi tới Fast Fourier Transform — FFT.

FFT không phải một biến đổi mới.

Nó tính chính DFT đó, nhưng thông minh hơn.

Các thuật toán FFT kiểu Cooley–Tukey có thể giảm độ phức tạp xuống khoảng:

$$ O(N\log N) $$

IEEE mô tả FFT chính là động cơ tính toán khiến phân tích phổ thời gian thực trở nên thực tế trong các hệ thống xử lý tín hiệu hiện đại. (IEEE Technology Navigator)

Ví dụ với:

$$ N = 1,048,576 = 2^{20} $$

tính kiểu ngây thơ có quy mô khoảng:

$$ N^2 \approx 1.1\times10^{12} $$

trong khi FFT có quy mô:

$$ N\log_2N \approx 20,971,520 $$

Một bên hơn một nghìn tỷ.

Một bên khoảng 21 triệu.

Tự nhiên một ý tưởng toán học từ thế kỷ XIX có thể chạy hàng nghìn lần mỗi giây trong một con chip bé bằng móng tay.

Xong thuật toán, quá dễ.

Phần còn lại chỉ là xây cả nền văn minh viễn thông quanh nó.

Năm 2026, bạn dùng Fourier từ lúc vừa thức dậy

Điều buồn cười là phần lớn chúng ta chưa bao giờ chủ động “dùng Fourier”.

Fourier tự dùng chúng ta.

1. Wi-Fi: căn phòng đầy những con sóng vô hình

Bạn mở điện thoại.

Điện thoại kết nối Wi-Fi.

Một gói dữ liệu đi qua không khí.

Không có chữ A, chữ B hay JSON nào bay giữa phòng cả.

Chỉ có điện trường dao động.

Wi-Fi hiện đại sử dụng họ kỹ thuật OFDM/OFDMA.

Ý tưởng là chia dữ liệu thành nhiều luồng nhỏ rồi truyền đồng thời trên nhiều sóng mang có tần số khác nhau.

Phía phát sử dụng IFFT để tạo tín hiệu.

Phía nhận sử dụng FFT để tách chúng ra.

1flowchart LR
2    A[Bits dữ liệu] --> B[Chia lên nhiều subcarrier]
3    B --> C[IFFT]
4    C --> D[Sóng điện từ bay trong phòng]
5    D --> E[FFT]
6    E --> F[Tách từng subcarrier]
7    F --> G[Bits dữ liệu]

OFDM hoặc OFDMA xuất hiện trong nhiều thế hệ Wi-Fi, trong 4G LTE và 5G NR. (IEEE Technology Navigator)

Mỗi lần bạn vuốt một video, phía dưới cái ngón tay tưởng như vô hại ấy là một đám transistor đang phân tách và tái hợp những sóng sin với tốc độ kinh khủng.

Không có gì hoàn toàn “không dây”.

Chỉ có những dây đã được thay bằng trường điện từ.

2. 4G và 5G

Đi ra khỏi Wi-Fi.

Điện thoại chuyển sang mạng di động.

Fourier vẫn chưa chịu tha.

5G NR tiếp tục sử dụng OFDM với nhiều khoảng cách subcarrier khác nhau.

Một trạm phát không đơn giản hét:

Đây là video con mèo của anh Tùng!

Nó lấy dữ liệu số, chia thành symbol, đặt chúng lên hàng trăm hoặc hàng nghìn thành phần tần số, chạy IFFT, đưa kết quả sang DAC, khuếch đại, rồi antenna biến những con số ấy thành trường điện từ.

Ở đầu kia quá trình chạy ngược lại.

Sóng.

ADC.

FFT.

Symbol.

Bit.

Packet.

Video con mèo.

Một chuỗi vật lý rất dài chỉ để chúng ta xem một con mèo ngã khỏi bàn.

3. Ảnh JPEG: Fourier có một người em họ tên DCT

Bạn chụp ảnh.

Cảm biến có thể tạo ra hàng chục triệu pixel.

Nếu lưu tất cả dữ liệu thô, ảnh rất lớn.

JPEG cổ điển chia ảnh thành các block, thường là $8\times8$, rồi sử dụng Discrete Cosine Transform — DCT. JPEG Committee mô tả legacy JPEG là định dạng nén mất dữ liệu dựa trên DCT. (JPEG)

DCT không phải Fourier Transform y hệt từng dấu chấm.

Nhưng nó thuộc cùng gia đình tư tưởng:

thay vì mô tả từng pixel, hãy mô tả lượng cấu trúc ở từng tần số không gian.

Một vùng trời xanh phẳng?

Phần lớn năng lượng nằm ở tần số thấp.

Một đống tóc rối?

Rất nhiều tần số cao.

Sau DCT, JPEG có thể nói:

Những chi tiết mà mắt người khó nhận ra này… vứt bớt nhé.

Và bức ảnh 20 MB có thể biến thành vài MB.

Không phải vì máy tính hiểu “bầu trời”.

Nó hiểu các hệ số.

4. Nhạc và giọng nói: chia âm thanh thành những dải tần

Các codec âm thanh hiện đại thường sử dụng các biến đổi họ hàng gần với Fourier, đặc biệt là MDCT — Modified Discrete Cosine Transform.

AAC sử dụng IMDCT trong chuỗi giải mã, và các codec transform audio hiện đại tiếp tục dựa mạnh vào MDCT. (Library of Congress)

Ý tưởng vẫn quen thuộc:

1âm thanh phức tạp
2       ↓
3phân tích thành các thành phần phổ
4       ↓
5xem tai người nhạy với phần nào
6       ↓
7dành nhiều bit cho phần quan trọng
8       ↓
9dành ít bit cho phần khó nghe

Bạn nghe được bài hát.

Nhưng thiết bị không nhất thiết lưu toàn bộ dao động ban đầu.

Nó lưu một mô tả thông minh hơn về những thành phần tạo ra dao động đó.

5. Equalizer

Trong ứng dụng nghe nhạc bạn kéo:

1Bass      +4 dB
2Mid       -1 dB
3Treble    +2 dB

Bạn đang yêu cầu hệ thống:

Tăng năng lượng ở vùng tần số thấp.

Giảm một số vùng giữa.

Tăng vùng cao.

Từ góc nhìn Fourier, đây là thao tác cực kỳ tự nhiên.

Thay vì đánh nhau trực tiếp với một đường waveform khổng lồ, ta đi sang miền tần số rồi sửa từng vùng.

6. Tai nghe chống ồn

Tai nghe chống ồn chủ động cần đo âm thanh môi trường và sinh ra tín hiệu để triệt bớt nó.

Không phải mọi thuật toán ANC đều bắt buộc dùng Fourier trực tiếp; nhiều bộ lọc thích nghi hoạt động trong miền thời gian.

Nhưng các hệ thống xử lý âm thanh phức tạp thường sử dụng FFT, STFT hoặc frequency-domain adaptive filtering để phân tích và xử lý tín hiệu hiệu quả.

Nguyên lý triết học vẫn rất Fourier:

một tiếng ồn khổng lồ có thể được hiểu bằng cấu trúc tần số của nó.

7. Microphone, họp online và gọi điện

Một cuộc gọi video có thể phải xử lý:

echo,
tiếng quạt,
tiếng bàn phím,
giọng nói,
nhiều người cùng nói,
reverberation.

Một kỹ thuật đặc biệt phổ biến là Short-Time Fourier Transform — STFT.

Thay vì Fourier Transform toàn bộ đoạn âm thanh dài 10 phút, ta cắt nó thành những cửa sổ nhỏ:

1|----|----|----|----|----|
2 20ms 20ms 20ms 20ms ...

Rồi phân tích phổ của từng cửa sổ.

Ta nhận được spectrogram:

1Tần số
2  ↑
38k│   ░░
44k│ █▒░ █▒
52k│████████▒
61k│████████████
7  │
8  └────────────────→ thời gian

Đây là một cách biến âm thanh thành hình ảnh hai chiều:

trục ngang: thời gian,
trục đứng: tần số,
độ sáng: năng lượng.

Rất nhiều hệ thống speech recognition và machine learning về âm thanh đã lớn lên trên kiểu biểu diễn này.

8. Radar trên ô tô: một con chip nghe tiếng vọng của chính mình

Xe dùng FMCW radar phát ra các sóng điện từ có tần số thay đổi theo thời gian.

Sóng đập vào:

xe phía trước,
lan can,
người đi bộ,

rồi quay về.

Tín hiệu phát và tín hiệu nhận tạo ra một beat frequency.

FFT có thể giúp biến tần số beat đó thành khoảng cách.

Một FFT khác theo chiều thời gian có thể giúp tìm Doppler, tức vận tốc.

Với nhiều antenna, xử lý phổ còn có thể hỗ trợ ước lượng góc.

Một đám dữ liệu ADC trông cực kỳ khó hiểu biến thành:

1Object A:
2distance = 31.4 m
3velocity = -7.2 m/s
4
5Object B:
6distance = 48.1 m
7velocity = +0.3 m/s

Chiếc xe không “nhìn” vật thể theo cách mắt người nhìn.

Nó nghe một dàn hợp xướng điện từ rồi dùng toán học tách từng giọng.

9. MRI: cơ thể con người xuất hiện từ miền tần số

Đây có lẽ là ứng dụng đẹp nhất.

Máy MRI không đơn giản chụp một bức ảnh bên trong cơ thể giống camera.

Dữ liệu MRI được thu trong một không gian gọi là k-space.

K-space không phải bức ảnh mà bác sĩ muốn xem.

Nó là một biểu diễn theo spatial frequency.

Fourier Transform liên kết k-space với image space. Khi dữ liệu nằm trên lưới Cartesian, FFT có thể tính phép biến đổi này rất hiệu quả. (PubMed)

1flowchart LR
2    A[Tín hiệu MRI] --> B[k-space]
3    B --> C[Inverse Fourier Transform]
4    C --> D[Ảnh mô]
5    D --> E[Bác sĩ]

Một con người nằm trong nam châm khổng lồ.

Các proton hydro phản ứng với trường từ.

Cuộn dây nhận những tín hiệu điện rất nhỏ.

Những tín hiệu ấy trở thành số.

Những con số đi qua Fourier Transform.

Và cuối cùng màn hình xuất hiện hình ảnh bộ não.

Từ dao động vô hình thành giải phẫu hữu hình.

Nếu Fourier sống lại chắc cũng hơi đứng hình.

10. CT: gom những cái bóng thành một cơ thể

CT lại có một bài toán khác.

Máy chiếu tia X qua cơ thể từ rất nhiều góc.

Mỗi phép đo chỉ giống như một cái bóng.

Một cái bóng không đủ.

Nhưng hàng trăm, hàng nghìn phép chiếu từ nhiều góc có thể được dùng để tái dựng lát cắt bên trong cơ thể.

Fourier Slice Theorem tạo ra mối liên hệ đẹp giữa Fourier Transform một chiều của phép chiếu và một lát cắt trong Fourier Transform hai chiều của vật thể. (NCBI)

Nói kiểu sáu tuổi:

Chụp cái bóng của con gấu từ rất nhiều phía.

Mỗi cái bóng cho ta một chút thông tin.

Ghép đủ thông tin lại.

Ta đoán được con gấu bên trong có hình gì.

Tất nhiên toán thật không hiền như vậy.

Nhưng tinh thần là thế.

Điều Fourier thực sự phát minh không chỉ là một công thức

Ta có thể học Fourier theo kiểu:

$$ F(\omega)

\int f(t)e^{-i\omega t}dt $$

Học thuộc.

Thi xong.

Quên.

Khá phí.

Điều sâu hơn Fourier để lại là một cách suy nghĩ.

Giả sử một hệ thống quá phức tạp.

Đừng nhất thiết đánh nhau với toàn bộ hệ thống cùng lúc.

Hãy hỏi:

Có thể chọn một bộ thành phần đơn giản hơn sao cho thứ phức tạp này chỉ là tổng của chúng không?

Fourier chọn sin và cos.

Linear algebra chọn eigenvector.

PCA chọn principal components.

Wavelet chọn những hàm cơ sở vừa cục bộ về vị trí vừa cục bộ về scale.

Quantum mechanics biểu diễn trạng thái bằng các vector trong Hilbert space.

Deep learning liên tục biến dữ liệu qua những không gian biểu diễn khác nhau.

Một trong những trò lâu đời nhất của toán học hóa ra là:

đổi hệ tọa độ cho tới khi vấn đề bớt ngu người.

Nhưng tại sao lại là sin?

Đây là câu hỏi đẹp.

Không phải Fourier bốc thăm trúng hình sin.

Sin và cos có một tính chất đặc biệt.

Đạo hàm của chúng vẫn là sin và cos:

$$ \frac{d}{dx}\sin x = \cos x $$

$$ \frac{d^2}{dx^2}\sin x = -\sin x $$

Điều đó khiến chúng cực kỳ hợp với những phương trình chứa đạo hàm như:

phương trình nhiệt,
phương trình sóng,
phương trình điện từ.

Trong ngôn ngữ hiện đại, các exponential phức:

$$ e^{i\omega t} $$

là eigenfunctions của nhiều toán tử tuyến tính quan trọng.

Ví dụ:

$$ \frac{d}{dt}e^{i\omega t}

i\omega e^{i\omega t} $$

Một phép đạo hàm đáng sợ bỗng biến thành phép nhân với $i\omega$.

Đây chính là một phần ma thuật.

Trong miền thời gian:

$$ \frac{d}{dt} $$

là một toán tử.

Trong miền Fourier:

$$ \frac{d}{dt} \longleftrightarrow i\omega $$

Đạo hàm biến thành phép nhân.

Tương tự, convolution:

$$ y(t)=x(t)*h(t) $$

sang miền Fourier trở thành:

$$ Y(\omega)=X(\omega)H(\omega) $$

Một phép convolution dài ngoằng trở thành phép nhân từng phần tử.

Máy tính cực kỳ thích chuyện này.

Fourier không phải thần: có những thứ ông làm không đẹp

Fourier basis có một nhược điểm lớn:

một con sóng sin kéo dài mãi mãi.

Nếu tín hiệu có một sự kiện rất ngắn:

1______________/\________________

Fourier Transform cho biết có những tần số nào.

Nhưng thông tin “nó xảy ra lúc nào” không phải lúc nào cũng rõ.

Đó là lý do chúng ta có:

STFT,
wavelet transform,
filter banks,
cosine transforms,
nhiều phương pháp time-frequency khác.

JPEG 2000 chẳng hạn sử dụng wavelet transform, không phải DCT của JPEG truyền thống. (JPEG)

Trong thực tế, Fourier không phải cây búa duy nhất.

Nhưng ông là một trong những người đã dạy cả thế giới rằng:

Có thể hiểu một tín hiệu bằng cách đổi cách biểu diễn nó.

Một chi tiết vui: AI cũng không giết được Fourier

Năm 2026 chúng ta rất thích nói:

Neural network sẽ học hết.

Nhưng ngay cả trong hệ thống machine learning hiện đại, những ý tưởng spectral vẫn xuất hiện liên tục.

Ta có:

Fourier features,
spectral convolution,
neural operators,
frequency-domain filtering,
FFT acceleration,
Fourier imaging,
signal preprocessing.

Ngay cả MRI hiện đại kết hợp machine learning vẫn tiếp tục dựa trên cấu trúc Fourier của quá trình đo. Một nghiên cứu năm 2026 về non-Cartesian MRI còn đề xuất mô hình trực tiếp dựa trên Fourier-domain basis expansion để cải thiện chất lượng ảnh hoặc giảm chi phí tính toán. (PubMed)

AI không xóa toán cũ.

Nó thường ngồi lên một núi toán cũ rồi giả vờ như mình tự mọc ra.

Một cuộc đối đầu rất đẹp giữa Fourier và Laplace

Nếu phải nén cả câu chuyện Fourier–Laplace vào một hình ảnh, mình sẽ hình dung thế này.

Laplace đứng trước tự nhiên và hỏi:

Cơ chế sâu bên dưới của ngươi là gì?

Fourier đứng bên cạnh và hỏi:

Nếu ta chưa biết cơ chế sâu nhất, ta có thể mô tả chính xác thứ đo được không?

Hai câu hỏi đều quan trọng.

Khoa học hiện đại cần cả hai.

Ta muốn biết electron là gì.

Nhưng kỹ sư làm antenna không thể chờ vật lý hoàn thành “Theory of Everything” rồi mới xây Wi-Fi.

Ta muốn hiểu mọi chi tiết của não.

Nhưng bác sĩ cần MRI ngay hôm nay.

Ta muốn hiểu âm thanh ở cấp độ vật lý.

Nhưng điện thoại vẫn phải lọc tiếng quạt trong 10 mili giây.

Fourier để lại một thái độ rất kỹ sư:

Nếu thế giới quá phức tạp, hãy tìm một biểu diễn khiến nó dễ tính hơn.

Có một thứ rất triết học nằm bên dưới Fourier

Ta nghe một bài hát.

Ta tưởng đó là một thứ.

Fourier nói:

Không.

Nó có thể là hàng nghìn dao động.

Ta nhìn một bức ảnh.

Ta tưởng đó là hàng triệu pixel.

Fourier nói:

Có thể nhìn nó như một tập hợp tần số không gian.

Ta nhìn tín hiệu Wi-Fi.

Ta tưởng đó là một đám điện từ hỗn loạn.

Fourier nói:

Tách nó ra.

Mỗi subcarrier chỉ là một phần của câu chuyện.

Có lẽ đó là lý do Fourier analysis tồn tại lâu đến vậy.

Nó không đơn thuần là toán về sóng.

Nó là một bài học về nhận thức:

Một thứ trông phức tạp trong một cách nhìn có thể cực kỳ đơn giản trong một cách nhìn khác.

Tổng kết

Hơn hai trăm năm trước, Fourier chỉ muốn hiểu nhiệt truyền trong vật rắn như thế nào.

Để giải bài toán đó, ông đưa ra một ý tưởng gây tranh cãi: biểu diễn những phân bố phức tạp bằng tổng của các hàm lượng giác đơn giản.

Lagrange phản đối mạnh. Laplace ít nhất cũng từng có những dè dặt toán học, mặc dù các sử liệu khác nhau về mức độ phản đối của ông; đồng thời quan niệm vật lý về nhiệt của Laplace cũng khác đáng kể với cách tiếp cận vĩ mô của Fourier. Vì vậy “cuộc chiến Fourier–Laplace” nên hiểu là một cuộc va chạm về phương pháp toán học và cách mô hình hóa tự nhiên, hơn là một cuộc thù cá nhân đơn giản. (Maths History)

Rồi chuỗi Fourier dẫn tới Fourier Transform.

Fourier Transform dẫn tới DFT.

FFT khiến việc tính DFT trở nên đủ nhanh để nhét vào chip.

Và từ đó, cái ý tưởng sinh ra bên cạnh một thanh kim loại nóng bò vào:

Wi-Fi,
4G,
5G,
JPEG,
codec âm thanh,
microphone,
radar,
CT,
MRI,
và vô số hệ thống xử lý tín hiệu mà chúng ta sử dụng mỗi ngày.

Ta vuốt màn hình một cái.

Một packet được tạo ra.

Các bit được mã hóa.

IFFT biến chúng thành waveform.

DAC biến số thành điện áp.

Antenna đẩy trường điện từ vào căn phòng.

Sóng đập vào tường, bàn, người, cửa kính.

Antenna bên kia thu chúng về.

ADC biến điện áp thành số.

FFT lại tách đám hỗn loạn thành những thành phần có thể hiểu được.

Cuối cùng một bức ảnh hiện lên màn hình.

Và ở đâu đó rất sâu dưới lớp kính, silicon và giao diện bóng bẩy ấy vẫn còn một ý tưởng từ năm 1807:

Thứ phức tạp có thể chỉ là rất nhiều thứ đơn giản đang chồng lên nhau.

Cảm ơn các bạn đã quan tâm và theo dõi bài viết, hẹn gặp lại ở các bài viết tiếp theo.

Biến đổi Fourier: xé một đường cong hỗn loạn thành những con sóng hình sin

Đặt vấn đề: bên trong tiếng “alo” có một đống sóng đang chen nhau

Joseph Fourier: người bắt đầu từ một cục sắt nóng

$$ \frac{\partial u}{\partial t}

Một đường cong nhiệt độ có thể rất xấu xí

Chuỗi Fourier: Lego dành cho đường cong

$$ f(x)

$$ a_n

$$ b_n

Ví dụ điên rồ nhất: dùng những đường cong tròn trịa để dựng một hình vuông

$$ f(x)

Năm 1807: Fourier mang quả bom vào Viện Hàn lâm

Fourier và Laplace: không hẳn là hai ông già cầm ghế đánh nhau

Tầng thứ nhất: toán học

Tầng thứ hai: vật lý

Rồi Fourier thắng?

Từ chuỗi Fourier đến biến đổi Fourier

$$ F(\omega)

$$ f(t)

$$ e^{i\theta}

Miền thời gian và miền tần số: nhìn cùng một con voi bằng hai phía

Một ví dụ: bỏ tiếng ù 50 Hz

Nhưng máy tính không có thời gian tính tích phân từ âm vô cực đến dương vô cực

$$ X_k

Năm 2026, bạn dùng Fourier từ lúc vừa thức dậy

1. Wi-Fi: căn phòng đầy những con sóng vô hình

2. 4G và 5G

3. Ảnh JPEG: Fourier có một người em họ tên DCT

4. Nhạc và giọng nói: chia âm thanh thành những dải tần

5. Equalizer

6. Tai nghe chống ồn

7. Microphone, họp online và gọi điện

8. Radar trên ô tô: một con chip nghe tiếng vọng của chính mình

9. MRI: cơ thể con người xuất hiện từ miền tần số

10. CT: gom những cái bóng thành một cơ thể

Điều Fourier thực sự phát minh không chỉ là một công thức

$$ F(\omega)

Nhưng tại sao lại là sin?

$$ \frac{d}{dt}e^{i\omega t}

Fourier không phải thần: có những thứ ông làm không đẹp

Một chi tiết vui: AI cũng không giết được Fourier

Một cuộc đối đầu rất đẹp giữa Fourier và Laplace

Có một thứ rất triết học nằm bên dưới Fourier

Tổng kết

Tham khảo

Bình luận