ฟูเรียร์ทรานส์ฟอร์มคืออะไร?

 (quantamagazine.org)
3 คะแนน โดย GN⁺ 2025-09-05 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • ฟูเรียร์ทรานส์ฟอร์ม คือการคำนวณทางคณิตศาสตร์ที่แยกสัญญาณหรือฟังก์ชันที่ซับซ้อนออกเป็นผลรวมของ องค์ประกอบความถี่พื้นฐาน
  • หู ของเราก็รับคลื่นเสียงหลากหลายรูปแบบแล้วแยกออกตามความถี่ต่าง ๆ เช่นกัน โดย นักคณิตศาสตร์ฟูเรียร์ ได้ทำให้เรื่องนี้เป็นแบบแผนเชิงคณิตศาสตร์ในศตวรรษที่ 19 จนนำไปสู่นวัตกรรมทางคณิตศาสตร์
  • ฟูเรียร์ทรานส์ฟอร์มถูกนำไปใช้กว้างขวาง ไม่เพียงใน การวิเคราะห์ฟังก์ชัน แต่ยังรวมถึง การบีบอัด การประมวลผลสัญญาณ ฟิสิกส์ กลศาสตร์ควอนตัม และอีกหลายสาขา
  • มันมีบทบาทสำคัญอย่างยิ่งในการ บีบอัดและแปลงข้อมูล อย่างมีประสิทธิภาพสำหรับข้อมูลหลากหลายชนิด เช่น ภาพดิจิทัลและเสียง
  • หลังการมาถึงของ อัลกอริทึม Fast Fourier Transform (FFT) ปัจจุบันฟูเรียร์ทรานส์ฟอร์มจึงถูกใช้อย่างแพร่หลายในชีวิตประจำวันและเทคโนโลยี IT โดยรวม

ภาพรวม

  • เมื่อเราฟังเพลง หูของเราจะทำหน้าที่รับ สัญญาณคลื่นเสียงที่ซับซ้อน แล้วแยกออกตามความถี่
  • ฟูเรียร์ทรานส์ฟอร์มมอบวิธีการในการแยก ฟังก์ชันที่ซับซ้อน ใด ๆ ออกเป็นผลรวมของคลื่นพื้นฐาน และสามารถนำมาประกอบกลับเพื่อให้ได้ฟังก์ชันเดิม
  • วิธีนี้ถูกค้นพบโดย Jean-Baptiste Joseph Fourier นักคณิตศาสตร์ชาวฝรั่งเศสในศตวรรษที่ 19 และได้ปฏิวัติการวิเคราะห์ฟังก์ชัน
  • หลังจากนั้นฟูเรียร์ทรานส์ฟอร์มได้ผลักดันความก้าวหน้าอย่างมากในหลากหลายสาขา เช่น การวิเคราะห์ฟังก์ชัน การประมวลผลสัญญาณ คณิตศาสตร์ ฟิสิกส์ และทุกวันนี้ยังถูกใช้ในงานอย่าง การบีบอัดไฟล์ การขยายสัญญาณเสียง บนคอมพิวเตอร์ด้วย
  • ศาสตราจารย์ Leslie Greengard แห่งมหาวิทยาลัยนิวยอร์กระบุว่า การวิเคราะห์แบบฟูเรียร์ส่งอิทธิพลต่อแทบทุกแขนงของคณิตศาสตร์และวิทยาศาสตร์

ความมุ่งมั่นและการค้นพบของฟูเรียร์

  • ฟูเรียร์เกิดในฝรั่งเศสเมื่อปี 1768 และได้รับ การศึกษาทางศาสนาในอารามและคณิตศาสตร์ ตั้งแต่อายุยังน้อย
  • เขาครุ่นคิดอยู่ระหว่างศาสนากับคณิตศาสตร์ ก่อนจะถูกคุมขังในปี 1794 ด้วยข้อหาเกี่ยวกับ แนวคิดต่อต้านการปฏิวัติ และกลับสู่วงการการศึกษาคณิตศาสตร์หลังการปฏิวัติฝรั่งเศส
  • เขาเข้าร่วมการยกทัพไปอียิปต์ของนโปเลียนในฐานะที่ปรึกษาทางวิทยาศาสตร์ และศึกษาทั้ง อียิปต์โบราณและปัญหาการถ่ายเทความร้อน
  • เขาเสนอว่า การถ่ายเทความร้อนของแท่งโลหะ สามารถอธิบายได้ด้วยผลรวมของคลื่นอย่างง่าย ซึ่งก่อให้เกิดข้อถกเถียงอย่างมากในหมู่นักคณิตศาสตร์ร่วมสมัย
    • ข้อเสนอที่ปฏิวัติวงการคือ แม้การเปลี่ยนแปลงอุณหภูมิอย่างฉับพลัน เช่น แท่งที่ครึ่งหนึ่งเย็นและอีกครึ่งหนึ่งร้อน ก็ยังอธิบายได้อย่างแม่นยำด้วยผลรวมของเส้นโค้งเรียบจำนวนอนันต์
  • ท้ายที่สุด ฟูเรียร์พิสูจน์ได้ว่า ฟังก์ชันตามอำเภอใจใด ๆ ก็สามารถแทนด้วยผลรวมของการสั่นแบบง่ายมาก ๆ ซึ่งส่งอิทธิพลอย่างยิ่งต่อวงการคณิตศาสตร์
  • อย่างไรก็ตาม การประยุกต์ใช้มีข้อจำกัดกับฟังก์ชันที่ซับซ้อนสุดขั้วบางชนิด ซึ่งแม้ขยายดูแล้วก็ยังขรุขระไม่สิ้นสุด

หลักการของฟูเรียร์ทรานส์ฟอร์ม

  • ฟูเรียร์ทรานส์ฟอร์มทำหน้าที่แยกสิ่งที่ซับซ้อนออกเป็น องค์ประกอบความถี่ ต่าง ๆ คล้ายกับการแยก ส่วนประกอบของกลิ่นหรือคอร์ดดนตรี
  • ในทางคณิตศาสตร์ มันรับฟังก์ชันเป้าหมายเป็นอินพุต แล้ว คำนวณระดับการมีส่วนร่วมของแต่ละความถี่ ที่มีต่อฟังก์ชันต้นฉบับ
    • ตัวอย่าง: หากนำคลื่นไซน์ความถี่ 3 ไปคูณกับฟังก์ชันหนึ่งแล้วค่าเฉลี่ยของกราฟออกมาสูง แสดงว่าความถี่นี้มีอยู่มากในฟังก์ชันเดิม
    • หากที่ความถี่ใดความยอดบวกและยอดลบหักล้างกันจนค่าเฉลี่ยเข้าใกล้ 0 ก็แปลว่าความถี่นั้นแทบไม่มีอยู่
  • ฟูเรียร์ทรานส์ฟอร์มจะ วัดสัมประสิทธิ์ลักษณะนี้สำหรับทุกความถี่ และเมื่อนำมาบวกกันก็สามารถกู้คืนฟังก์ชันที่ซับซ้อนดั้งเดิมได้
  • สัญญาณที่มีขอบคมอย่างคลื่นสี่เหลี่ยม เช่น สัญญาณดิจิทัล สามารถประมาณได้ด้วย ผลรวมของความถี่จำนวนอนันต์ (อนุกรมฟูเรียร์)
  • นักคณิตศาสตร์ยุคแรก ๆ ยอมรับได้ยากว่าการรวมเส้นโค้งเรียบจำนวนอนันต์จะสร้างการเปลี่ยนแปลงแบบฉับพลันได้ แต่ทุกวันนี้สิ่งนี้กลายเป็นเครื่องมือสำคัญแล้ว

มิติที่สูงขึ้นและการประยุกต์ใช้ในชีวิตจริง

  • ฟูเรียร์ทรานส์ฟอร์มสามารถใช้กับภาพ ซึ่งเป็น ฟังก์ชันสองมิติ ได้เช่นกัน โดยมองเป็นฟังก์ชัน 2D ที่แสดง ความสว่างของพิกเซล
  • ผลลัพธ์ของฟูเรียร์ทรานส์ฟอร์มของภาพสามารถตีความเป็น ลวดลายแถบเส้น ที่มีทิศทางหลากหลาย และเมื่อรวมลวดลายเหล่านี้เข้าด้วยกันก็สามารถกู้คืนภาพต้นฉบับได้
  • การบีบอัดภาพอย่าง JPEG จะตัด ข้อมูลความถี่สูง (รายละเอียดเล็ก ๆ) ออกเพื่อลดขนาดไฟล์อย่างมาก แต่ยังคงลักษณะสำคัญของภาพไว้
  • อัลกอริทึม Fast Fourier Transform (FFT) ที่ James Cooley และ John Tukey คิดค้นขึ้นในทศวรรษ 1960 ทำให้ความเร็วในการคำนวณฟูเรียร์ทรานส์ฟอร์มเพิ่มขึ้นอย่างก้าวกระโดด
  • ด้วยเหตุนี้ ฟูเรียร์ทรานส์ฟอร์มจึงกลายเป็นเทคโนโลยีที่ขาดไม่ได้ในหลายสาขา เช่น การประมวลผลสัญญาณข้อมูล วิทยาการคอมพิวเตอร์ ภาพทางการแพทย์ (MRI) ดาราศาสตร์ การบีบอัดเสียง/วิดีโอ

อิทธิพลต่อคณิตศาสตร์และวิทยาศาสตร์สมัยใหม่

  • ฟูเรียร์ทรานส์ฟอร์มเป็นแกนสำคัญของ ฟิสิกส์ (โดยเฉพาะกลศาสตร์ควอนตัม) และเป็นรากฐานทางคณิตศาสตร์ของหลักความไม่แน่นอน
    • ตัวอย่าง: ยิ่งเรารู้ตำแหน่งของอนุภาคได้แคบลงเท่าใด (กราฟยิ่งแหลม) หลังทำฟูเรียร์ทรานส์ฟอร์ม ความไม่แน่นอนของโมเมนตัมก็จะยิ่งมากขึ้น
  • สาขาที่เรียกว่า การวิเคราะห์ฮาร์มอนิก (harmonic analysis) ได้พัฒนาขึ้น และมีบทบาทสำคัญในการศึกษาคลื่น อินเวิร์สทรานส์ฟอร์มของฟังก์ชัน และสมบัติต่าง ๆ ของฟังก์ชัน
  • ในคณิตศาสตร์ มันยังมีความเกี่ยวข้องอย่างลึกซึ้งกับ ทฤษฎีจำนวน การกระจายของจำนวนเฉพาะ และหัวข้ออื่น ๆ
  • ศาสตราจารย์ Charles Fefferman เน้นย้ำความสำคัญนี้โดยกล่าวว่า หากไม่มีฟูเรียร์ทรานส์ฟอร์ม คณิตศาสตร์จำนวนมากก็คงหายไป

บทสรุป

  • ฟูเรียร์ทรานส์ฟอร์มเป็นเครื่องมือหลักของวิทยาศาสตร์และเทคโนโลยีสมัยใหม่ในด้านสัญญาณ ข้อมูล ภาพ และฟิสิกส์
  • อิทธิพลของมันกว้างขวางมาก ตั้งแต่ นวัตกรรมทางคณิตศาสตร์ไปจนถึงเทคโนโลยีเชิงปฏิบัติ
  • ปัจจุบันมันถูกใช้อย่างแพร่หลายในคอมพิวเตอร์ การสื่อสาร การแพทย์ และความบันเทิง

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2025-09-05
ความคิดเห็นจาก Hacker News
  • ขอแนะนำวิดีโอจากช่อง Captain Disillusion ที่อธิบายได้อย่างยอดเยี่ยมว่า Fourier transform ทำงานเชิงภาพอย่างไร และถูกนำไปใช้กับวิชวลเอฟเฟกต์อย่างการเบลอหรือการลบเบลอได้อย่างไร
    https://youtu.be/xDLxFGXuPEc?feature=shared
    • ชอบคอนเทนต์ของ Captain Disillusion แต่ขอออกตัวว่าตอน 'CD / Blur' เป็นตอนที่มีข้อมูลน้อยที่สุดตอนหนึ่งในซีรีส์ แน่นอนว่าเป็นวิดีโอที่ทำมาให้สนุกและเข้าถึงง่าย แต่ไม่ได้ลึกเท่าวิดีโอ Fourier Transform (FT) ของ 3Blue1Brown
    • คิดว่าฉากคารวะ Carl Sagan ในวิดีโอนั้นค่อนข้างสนุกดี
  • ถ้าสนใจ Fourier ก็น่าจะชอบ Laplace transform (หรือเวอร์ชันไม่ต่อเนื่องอย่าง z-transform) ด้วยเหมือนกัน เคยหลงใหลเรื่องนี้มากจนลงลึกอย่างจริงจัง และทุกวันนี้ก็ยังเป็นหนึ่งในงานอดิเรกที่ชอบศึกษาอยู่ การประยุกต์ใช้ของ Fourier, Laplace, z-transform นั้นกว้างขวางมากและถูกใช้ในหลายสาขา ส่วนตัวใช้กับ signal processing และอนาล็อกอิเล็กทรอนิกส์เป็นหลัก
    • ตอนเรียนวิศวกรรมอิเล็กทรอนิกส์ ยังไม่มีระบบคอมพิวเตอร์พีชคณิตให้ใช้ เลยต้องแปลง transfer function ของ Laplace transform ไปเป็น z-transform ด้วยมือ จำได้ว่าต้องทั้งคลี่พจน์ จัดกลุ่มใหม่ และแยกตัวประกอบ ใช้ดินสอ ยางลบ และกระดาษ line printer ไปมหาศาล เป็นการฝึกพีชคณิตพื้นฐานที่ทั้งจำเป็นและน่าเบื่อ นักศึกษาสมัยนี้โชคดีจริง ๆ
    • เมื่อก่อนมักต้องเลือกระหว่างสินค้าบน Amazon ที่คะแนนสูงแต่รีวิวน้อย กับสินค้าที่คะแนนต่ำกว่านิดหน่อยแต่มีรีวิวเยอะกว่า เลยเอา Laplace Rule of Succession มาทำเป็นส่วนขยายเบราว์เซอร์ เพื่อคำนวณคะแนนแบบ Laplacian ที่พิจารณาทั้งจำนวนรีวิวและคะแนนไปพร้อมกัน ทำให้เลือกได้ฉลาดขึ้นมาก
      https://greasyfork.org/en/scripts/443773-amazon-ranking-laplace
    • สิ่งที่เรียกว่า 'Z-transform' สำหรับลำดับไม่ต่อเนื่องนั้น แท้จริงแล้วก็คือ generating function หรือ formal power series/Laurent series ในอีกรูปแบบหนึ่ง กล่าวคือเขียนลำดับไม่ต่อเนื่องให้อยู่ในรูปอนุกรมยกกำลังของ z^(-1)
    • พอคิดถึง Laplace Transform ก็จะนึกถึงแนวคิดอย่าง pole และ zero ใน control theory เสมอ
    • โดยแก่นแล้ว วิศวกรรมไฟฟ้า/อิเล็กทรอนิกส์ก็ขับเคลื่อนด้วยทรานส์ฟอร์มเหล่านี้นี่เอง
  • ในบรรยากาศที่ทุกคนแชร์แหล่งข้อมูลกัน มีการแนะนำ "Signals and Systems" ของ Dennis Freeman จาก MIT ว่าอธิบายความสัมพันธ์ของ Fourier transform ทั้งสี่แบบ (FT, DFT, Fourier Series, DTFT) ได้อย่างเป็นธรรมชาติมาก
    https://ocw.mit.edu/courses/6-003-signals-and-systems-fall-2011/resources/lecture-19-relations-among-fourier-representations/
    • น่าแปลกที่เมื่อก่อน Wavelet transform เคยฮิตมาก แต่เดี๋ยวนี้แทบไม่ได้ยินคนพูดถึงแล้ว
  • ที่ BetterExplained.com ก็มีไกด์แบบ interactive เกี่ยวกับ Fourier transform ที่เรียบเรียงไว้ดีมากเช่นกัน
    https://betterexplained.com/articles/an-interactive-guide-to-the-fourier-transform/
  • มีทฤษฎีส่วนตัวว่าทำไม Fourier Transform และทรานส์ฟอร์มอื่น ๆ อีกมากมาย (generating functions, Mellin/Laplace/Legendre/Haar ฯลฯ) ถึงมีประโยชน์จริง ๆ นั่นเพราะฟังก์ชันจำนวนมากในโลกจริงมีความ sparse และเอื้อต่อ compressed sensing FT เป็นการแปลงแบบ 1:1 จึงไม่มีการสูญเสียข้อมูลในทางทฤษฎี และเมื่อมองในปริภูมิความถี่ ปัญหามักจะเรียบง่ายขึ้นมาก เหตุผลคือฟังก์ชันที่ดูซับซ้อนภายนอก ในปริภูมิที่ถูกแปลงแล้วมักประกอบด้วย building block ที่เรียบง่ายกว่า ยกตัวอย่างเช่น สัญญาณเสียงกระพือปีกของแมลงวันในปารีสอาจดูซับซ้อน แต่เมื่อดูด้วย FT จะเห็นพีกแรงที่ความถี่เดียว ผลรวมของคลื่นไซน์สองคลื่นก็ดูซับซ้อนในรูปเดิม แต่พอแปลงด้วย FT ก็จะแยกออกเป็นสองตำแหน่งอย่างชัดเจน เหตุผลที่ JPEG, MP3 และอื่น ๆ ใช้ FT (เช่น DCT) ก็เพราะสามารถทิ้งองค์ประกอบความถี่ที่ไม่สำคัญต่อการรับรู้ของมนุษย์ (การได้ยิน/การมองเห็น) แล้วบีบอัดข้อมูลได้ มนตร์ของ FT ไม่ได้มีแค่การแปลงไปสู่ฐานเชิงตั้งฉากเท่านั้น แต่คือสัญญาณจริงจำนวนมากสามารถอธิบายได้ค่อนข้างแม่นด้วยองค์ประกอบฐานเพียงไม่กี่ตัวที่พบไม่บ่อย
    • ในบริบทนี้ Taylor Series ก็มีประโยชน์เช่นกัน เพราะใช้ประมาณพลวัตในโลกจริงให้เป็นการผสมกันของ "ผลเชิงเส้นเป็นหลัก + ผลไม่เชิงเส้น" ได้ ตัวอย่างคือแรงต้านอากาศ ซึ่งเมื่อใช้ Taylor expansion จะสามารถแยกเป็นความหนืด (พจน์เชิงเส้น) และการแทนที่เชิงปริมาตร (พจน์กำลังสอง) ได้ แม้ในอากาศจริงสัมประสิทธิ์ของพจน์เชิงเส้นจะเล็กมาก แต่วิธีนี้ช่วยให้เข้าใจโครงสร้างได้
    • เหตุผลที่ FT กลายเป็นกระแสหลักโดยเฉพาะ คือ sine, cosine และ complex exponential เป็น eigenfunction ของตัวดำเนินการอนุพันธ์ ระบบจริงจำนวนมากอธิบายด้วยสมการเชิงอนุพันธ์ จึงทำให้ FT เป็นเครื่องมือพื้นฐานในการวิเคราะห์ โดยเฉพาะที่สัญญาณโลกจริงมักมีความ sparse ในปริภูมิ FT ก็เพราะระบบจริงส่วนใหญ่มีการเคลื่อนที่แบบเป็นคาบอยู่มาก (เช่น มอเตอร์หรือการกระพือปีกของแมลงวัน) ทำให้ FT แยกองค์ประกอบได้อย่างมีประสิทธิภาพสูง ทุกสัญญาณจึงมีโครงสร้างที่สามารถแยกเป็นฮาร์มอนิกของความถี่พื้นฐานได้
    • ท้ายที่สุด สิ่งสำคัญคือ 'สัญญาณที่มนุษย์รับรู้นั้น sparse กว่า' เสียงไวโอลินจริงห่างไกลจากคลื่นไซน์มาก แต่สมองเรารับรู้มันเป็นโทนเสียงอุดมคติหนึ่งเดียว กล่าวคือโมเดลการรับรู้ของเราถูกบีบอัดอย่างมากจริง ๆ
  • เวลาพยายามจะ "รู้สึก" ให้ได้ว่า Fourier Transform คืออะไร มันยากเพราะการจะคำนวณการสั่นของสัญญาณจริง ๆ ต้องรอเวลาให้ผ่านไปช่วงหนึ่ง และกระบวนการแปลงก็มีการคำนวณอินทิกรัลรวมอยู่ด้วย ในทางภาพเราเห็นสัญญาณทั้งก้อนพร้อมกันได้ แต่ในชีวิตจริงสัญญาณค่อย ๆ ไหลเข้ามา จึงไม่ง่าย อยากอ่านเรื่องกรณีแบบนี้ให้ลึกขึ้น
    • ในกรณีนี้ต้องใช้แนวคิด time-frequency analysis และเครื่องมือสำคัญก็คือ short-time Fourier Transform (STFT) ซึ่งเป็นพื้นฐานของ music spectrogram และการแสดงภาพหลายรูปแบบ
    • สำหรับสัญญาณแบบสตรีม จะใช้ sliding window FFT โดยขนาดของหน้าต่างจะจำกัดย่านความถี่ต่ำสุด/สูงสุดที่ตรวจจับได้ การ quantize เวลาในข้อมูลดิจิทัลก็จำกัดย่านความถี่สูงเช่นกัน และความหนาของหน้าต่างย่อมทำให้เกิด latency อย่างหลีกเลี่ยงไม่ได้ ซึ่งสำคัญมากในการกรองเสียงแบบเรียลไทม์
    • ถ้าคิดแบบ intuitive มันคล้ายกับการทำ convolution โดยมีหน้าต่างเวลาเป็นตัวกำหนด และขนาดหน้าต่างก็เป็นตัวกำหนดย่านความถี่ที่ตรวจจับได้
    • โดยทั่วไปจะรัน FFT เป็นช่วงสั้น ๆ เช่นทีละ 512 samples หรืออาจใช้ 1024 samples แบบซ้อนทับกันแล้วเลื่อนไปครั้งละ 512 ซึ่งยิ่งใช้ samples มาก ความละเอียดก็ยิ่งดีขึ้น
  • อ่านบทความนี้แล้วรู้สึกเหมือนเพิ่งเปิดตาให้กับ Fourier Transform อย่างแท้จริง เป็นครั้งแรกที่เข้าใจหลักการของ image compression bitmap และตอนนี้ก็อยากลองทดลองทำการบีบอัดเอง หรือแยกสัญญาณต่อเนื่องออกเป็นองค์ประกอบจำแนกต่าง ๆ ดูบ้าง อยากลองประยุกต์กับ colour quantisation ด้วย โดยอาจหาส่วนประกอบ RGB หลัก/ค่าเฉลี่ย แล้วลดสีด้วยการเก็บไว้เฉพาะองค์ประกอบที่ sparse กว่า แทนที่จะกระจาย error แบบ dithering เดิม ๆ มันอาจไม่ได้ผล แต่ก็น่าตื่นเต้นที่จะได้เรียนรู้ไปพร้อมกับการลองทำ
  • สำหรับคนที่เพิ่งเริ่มรู้จัก Fourier Transform นี่อาจเป็นแหล่งข้อมูลที่ดี แต่ก็อาจทำให้รู้สึกว่ามันเป็นสิ่งตามอำเภอใจและสุ่มมากกว่าความเป็นจริง หรือแย่กว่านั้นคือทำให้เข้าใจผิดว่าตัวเองเข้าใจภาพรวมทั้งหมดแล้ว จนพลาดความงดงามที่ลึกกว่านั้นไปอย่างน่าเสียดาย หวังว่าจะไม่มีใครพลาดดอกไม้บานงามของ Fourier Analysis ซึ่งอาจเป็นหนึ่งในสิ่งที่สวยงามที่สุดในชีวิต เพียงเพราะคิดว่าตัวเองมีมันอยู่แล้ว
    https://news.ycombinator.com/item?id=45134843 คำถามนี้อาจเป็นเบาะแสถึงความงามที่ซ่อนอยู่
  • ถ้าอยากสัมผัส Fourier Transform ให้ลึกและเป็นภาพมากขึ้น explorable เหล่านี้มีประโยชน์มาก
    https://injuly.in/blog/fourier-series/index.html, https://www.jezzamon.com/fourier/
  • รู้สึกทึ่งกับเรื่องที่ว่า Fourier เคยเสนอว่าสามารถอธิบายการกระจายความร้อนผ่านแท่งโลหะได้ด้วยผลรวมของรูปคลื่นง่าย ๆ แค่คิดก็สงสัยว่า 'เขาคิดแบบนั้นขึ้นมาได้ยังไง?' บางคนเหมือนเกิดมาไม่เหมือนคนอื่นจริง ๆ
    • ดูเหมือนว่า Fourier จะคุ้นเคยอย่างมากกับประเด็นทางคณิตศาสตร์หลากหลายแบบ ทั้งสมการเชิงอนุพันธ์ การขยายอนุกรม และความโกลาหลในยุคแรกของแคลคูลัส ตลอด 200 ปีที่ผ่านมา แนวหน้าของคณิตศาสตร์ใหม่ ๆ สวย ๆ ก็เปลี่ยนไปมากแล้ว