Fourier — a math primerFourier — primer matematika
The one idea behind spectrograms, JPEG, MP3, MRI — and the Fourier Neural Operator. Any repeating shape, however jagged, is a sum of smooth sine waves. Once you can move a signal between its everyday form and its list of frequencies, calculus turns into simple multiplication and the FNO stops looking like magic. Only basic trig assumed.
Satu ide yang mendasari spektrogram, JPEG, MP3, MRI — dan Fourier Neural Operator. Bentuk berulang apa pun, sebergerigi apa pun, adalah jumlahan gelombang sinus yang mulus. Begitu kamu bisa memindahkan sinyal antara bentuk sehari-harinya dan daftar frekuensinya, kalkulus berubah jadi perkalian sederhana dan FNO tak lagi tampak seperti sihir. Cukup berbekal trigonometri dasar.
Companion primer · pairs withPrimer pendamping · cocok dengan Differential equationsPersamaan diferensial and the FNO tab ofdan tab FNO di Scientific ML.
Pick a low, smooth sine. Add a faster one, a faster one still, each a bit weaker. Keep going and the gentle ripples conspire into sharp corners and flat plateaus — a square wave. Nothing here is a curve-fitting trick: it is an exact fact of mathematics that every repeating signal is a sum of pure sine tones. This is Fourier's whole idea, and it runs in reverse too (next tab).
Ambil satu sinus rendah yang mulus. Tambahkan yang lebih cepat, lalu yang lebih cepat lagi, masing-masing sedikit lebih lemah. Teruskan, dan riak-riak lembut itu bersekongkol menjadi sudut tajam dan dataran rata — sebuah gelombang kotak. Ini bukan trik cocok-kurva: sudah menjadi fakta matematis yang pasti bahwa setiap sinyal berulang adalah jumlahan nada sinus murni. Inilah inti gagasan Fourier, dan ia juga berjalan mundur (tab berikutnya).
Each term is one pure tone. More terms sharpen the corners — but a jump can never be caught perfectly, leaving a little overshoot (the Gibbs ear).
Tiap suku adalah satu nada murni. Makin banyak suku, makin tajam sudutnya — tapi sebuah lompatan tak pernah bisa ditangkap sempurna, menyisakan sedikit lonjakan (kuping Gibbs).
This bar chart is the shape, written as a list of ingredients. It is what the next tab will recover from a raw signal.
Diagram batang ini adalah bentuk itu sendiri, ditulis sebagai daftar bahan. Inilah yang akan dipulihkan tab berikutnya dari sinyal mentah.
A square wave uses only odd harmonics, each fading like $1/k$. A triangle fades faster ($1/k^2$) — which is exactly why it looks smoother.
Gelombang kotak hanya memakai harmonik ganjil, masing-masing meluruh seperti $1/k$. Segitiga meluruh lebih cepat ($1/k^2$) — itulah persis kenapa ia tampak lebih mulus.
Synthesis built a signal from known ingredients. Analysis is the reverse and the useful direction: hand the computer any signal — even one you scribble — and it returns the recipe, the amplitude of every frequency inside it. Then keep only the strongest few and you have compressed it. This exact move is the front end of the Fourier Neural Operator.
Sintesis membangun sinyal dari bahan yang diketahui. Analisis adalah kebalikannya dan arah yang berguna: berikan sinyal apa pun ke komputer — bahkan yang kamu corat-coret — dan ia mengembalikan resepnya, amplitudo tiap frekuensi di dalamnya. Lalu simpan hanya beberapa yang terkuat dan kamu sudah mengompresnya. Langkah inilah yang jadi gerbang depan Fourier Neural Operator.
Or draw your own on the red chart, then watch its spectrum appear.
Atau gambar sendiri pada grafik merah, lalu lihat spektrumnya muncul.
Rebuild the signal from only its biggest frequencies. A handful is often plenty — the idea behind JPEG and MP3.
Bangun ulang sinyal hanya dari frekuensi-frekuensi terbesarnya. Segenggam saja sering sudah cukup — ide di balik JPEG dan MP3.
The computer projected your signal onto every frequency — for each $k$ it asked "how much sine-of-$k$ and cosine-of-$k$ is in here?" — giving one amplitude per frequency. That list is the Fourier transform. Keeping only the largest entries and rebuilding is lossy compression, denoising, and — in the FNO — the compact form the network actually operates on.
Komputer memproyeksikan sinyalmu ke tiap frekuensi — untuk tiap $k$ ia bertanya "seberapa banyak sinus-$k$ dan kosinus-$k$ di dalam sini?" — menghasilkan satu amplitudo per frekuensi. Daftar itulah transformasi Fourier. Menyimpan hanya entri terbesar lalu membangun ulang adalah kompresi lossy, denoising, dan — pada FNO — bentuk ringkas yang benar-benar dioperasikan jaringan.
Here is the payoff. Smoothing a signal, differentiating it, integrating it — messy operations in the everyday view — each become a single multiply each frequency by a number in Fourier space. Blur = shrink the high notes. Differentiate = boost them. That is why heat-flow is easy in frequency space, and it is exactly what the FNO learns: one weight per frequency.
Inilah bayarannya. Menghaluskan sinyal, menurunkannya, mengintegralkannya — operasi yang berantakan dalam pandangan sehari-hari — masing-masing jadi sekadar mengalikan tiap frekuensi dengan sebuah angka di ruang Fourier. Blur = kecilkan nada tinggi. Turunkan = besarkan. Itu sebabnya aliran panas mudah di ruang frekuensi, dan itu persis yang dipelajari FNO: satu bobot per frekuensi.
Or draw your own on the red chart.
Atau gambar sendiri pada grafik merah.
Differentiation multiplies mode $k$ by $2\pi k$; integration divides by it; diffusion multiplies by $e^{-\alpha k^2}$; a low-pass keeps modes below a cutoff. In every case an entire calculus operation collapses to one number per frequency.
Turunan mengalikan mode $k$ dengan $2\pi k$; integral membaginya; difusi mengalikan dengan $e^{-\alpha k^2}$; low-pass menyimpan mode di bawah ambang. Dalam tiap kasus, satu operasi kalkulus utuh mengerut jadi satu angka per frekuensi.
That is the secret of the Fourier Neural Operator: instead of being told these multipliers, it learns them from examples — a handful of weights, one per mode. Go back to the FNO tab now and its bar chart of learned weights will read as exactly this: a calculus operation, discovered.
Itulah rahasia Fourier Neural Operator: alih-alih diberi tahu pengali-pengali ini, ia mempelajarinya dari contoh — segenggam bobot, satu per mode. Kembalilah ke tab FNO sekarang dan diagram batang bobot yang dipelajarinya akan terbaca persis seperti ini: sebuah operasi kalkulus, yang ditemukan.
| You see it asKamu mengenalnya sebagai | What Fourier doesApa yang Fourier lakukan | In this collectionDi koleksi ini |
|---|---|---|
| MP3 / JPEG | Keep only the frequencies your ears/eyes notice, drop the restSimpan hanya frekuensi yang disadari telinga/mata, buang sisanya | Analysis tab — keep strongest modesTab analisis — simpan mode terkuat |
| A guitar string / organ pipeSenar gitar / pipa organ | Its pure tones are the frequency modes; resonances pick them outNada murninya adalah mode frekuensi; resonansi memilihnya | Wave tab — standing waves are modesTab wave — gelombang berdiri adalah mode |
| Heat spreading in a barPanas menyebar di batang | Each frequency decays at its own rate, high ones fastestTiap frekuensi meluruh dengan lajunya sendiri, yang tinggi tercepat | Diffusion tab — smoothing =Tab diffusion — smoothing = $e^{-\alpha k^2}$ |
| An MRI scannerPemindai MRI | Measures frequencies directly, then transforms back to an imageMengukur frekuensi langsung, lalu mentransformasikannya kembali jadi citra | Analysis ↔ synthesis, both directionsAnalisis ↔ sintesis, dua arah |
| A Fourier Neural OperatorFourier Neural Operator | Learns one weight per frequency to imitate a physics solverMempelajari satu bobot per frekuensi untuk meniru solver fisika | FNO tab — learned multipliersTab FNO — pengali yang dipelajari |
Fourier is the hinge between the two big playgrounds: it is why the wave and heat equations have clean solutions, and it is the machinery the FNO runs on. Learn it once and three other tabs light up.
Fourier adalah engsel antara dua playground besar: ia sebabnya persamaan gelombang dan panas punya solusi yang rapi, sekaligus mesin yang dijalankan FNO. Pelajari sekali, dan tiga tab lain ikut menyala.