Kapitola 14
Rychlá Fourierova transformace a její využití
Fourierova transformace
Definice a volba normalizace
Pro libovolnou funkci \(u \in L^2(\mathbb{R})\) je Fourierův obraz dán vztahem
\begin{equation}\label{eq:12b:ft} \hat{u}(\xi) = (\mathcal{F}u)(\xi) = \frac{1}{\sqrt{2\pi}} \int_{-\infty}^{\infty} e^{-i\xi x}\, u(x)\, \mathrm{d}x , \qquad \xi \in \mathbb{R} . \end{equation}Obraz \(\hat{u}\) je opět z \(L^2(\mathbb{R})\) a funkci \(u(x)\) lze z \(\hat{u}(\xi)\) získat zpět pomocí inverzní Fourierovy transformace
\begin{equation}\label{eq:12b:ift} u(x) = (\mathcal{F}^{-1}\hat{u})(x) = \frac{1}{\sqrt{2\pi}} \int_{-\infty}^{\infty} e^{i\xi x}\, \hat{u}(\xi)\, \mathrm{d}\xi , \qquad x \in \mathbb{R} . \end{equation}Občas se v literatuře liší faktor \(\frac{1}{\sqrt{2\pi}}\), případně je použito \(e^{-i 2\pi \xi x}\). Obecně je-li
\begin{equation}\label{eq:12b:ft_obecne} \hat{u}(\xi) = \frac{a}{\sqrt{2\pi}} \int_{-\infty}^{\infty} e^{-i c \xi x}\, u(x)\, \mathrm{d}x \qquad \text{a} \qquad u(x) = \frac{b}{\sqrt{2\pi}} \int_{-\infty}^{\infty} e^{i c \xi x}\, \hat{u}(\xi)\, \mathrm{d}\xi , \end{equation}pak musí být
\[ \frac{ab}{|c|} = 1 , \]což plyne z identity
\[ \frac{1}{2\pi} \int_{-\infty}^{\infty} e^{i c \xi (x-x')}\, \mathrm{d}\xi = \frac{1}{|c|}\,\delta(x-x') . \]Parsevalova rovnost a konvoluce
Pro obecnou volbu konstant \eqref{eq:12b:ft_obecne} má Parsevalova rovnost tvar
\begin{equation}\label{eq:12b:parseval_obecne} \int_{-\infty}^{\infty} f(x)\, g^*(x)\, \mathrm{d}x = \frac{|c|}{|a|^2} \int_{-\infty}^{\infty} \hat{f}(\xi)\, \hat{g}^{\,*}(\xi)\, \mathrm{d}\xi \qquad \text{neboli} \qquad \|f\|_2 = \sqrt{\frac{|c|}{|a|^2}}\, \|\hat{f}\|_2 , \end{equation}takže speciálně pro \(a = 1\) a \(c = 1\) dostáváme
\begin{equation}\label{eq:12b:parseval} \int_{-\infty}^{\infty} f(x)\, g^*(x)\, \mathrm{d}x = \int_{-\infty}^{\infty} \hat{f}(\xi)\, \hat{g}^{\,*}(\xi)\, \mathrm{d}\xi \qquad \text{neboli} \qquad \|f\|_2 = \|\hat{f}\| . \end{equation}Pro konvoluci
\begin{equation}\label{eq:12b:konvoluce} (u*v)(x) = \int_{-\infty}^{\infty} u(x-y)\, v(y)\, \mathrm{d}y = \int_{-\infty}^{\infty} u(y)\, v(x-y)\, \mathrm{d}y \end{equation}platí (je-li \(u \in L^2\) a \(v \in L^1\) nebo obráceně)
\begin{equation}\label{eq:12b:konvolucni_veta} \widehat{u*v}(\xi) = \hat{u}(\xi)\, \hat{v}(\xi) . \end{equation}Vlastnosti Fourierovy transformace
- Linearita: \(\widehat{u+v}(\xi) = \hat{u}(\xi) + \hat{v}(\xi)\) a \(\widehat{cu}(\xi) = c\, \hat{u}(\xi)\).
- Translace: pokud \(x_0 \in \mathbb{R}\), pak \(\widehat{u(x+x_0)}(\xi) = e^{i\xi x_0}\, \hat{u}(\xi)\).
- Modulace: pokud \(\xi_0 \in \mathbb{R}\), pak \(\widehat{e^{i\xi_0 x} u(x)}(\xi) = \hat{u}(\xi - \xi_0)\).
- Dilatace: pokud \(c \in \mathbb{R}\), \(c \neq 0\), pak \(\widehat{u(cx)}(\xi) = \hat{u}(\xi/c)\,/|c|\).
- Sdružení: \(\widehat{u^*}(\xi) = \hat{u}(-\xi)^*\).
- Derivace: \(\widehat{u_x}(\xi) = i\xi\, \hat{u}(\xi)\).
Diskrétní Fourierova transformace
Vzorkování a Nyquistova kritická frekvence
Uvažujme funkci \(h(t)\) zadanou pouze s jistou vzorkovací frekvencí v bodech \(t_n = n\,\Delta t\), kde \(n = \dots, -3, -2, -1, 0, 1, 2, 3, \dots\). Hodnota \(\frac{1}{\Delta t}\) přitom odpovídá počtu bodů (sampling rate) za jednu sekundu.
Nejvyšší frekvence, kterou lze takto popsat, je dána Nyquistovou kritickou frekvencí.
Sinusovka s vyznačenými vzorkovacími body; rozestup dvou sousedních vzorků je \(\Delta t\). Ve výchozím nastavení je \(f = f_c\), takže vzorky padnou přesně do maxim a minim — právě dva na periodu. Posuvníky mění frekvenci signálu, krok \(\Delta t\) i fázi; pod plátnem se počítá \(f_c = 1/(2\Delta t)\) a počet vzorků na periodu \(1/(f\Delta t)\). Vyzkoušejte si, že při \(f = f_c\) závisí velikost vzorků na fázi — pro \(\varphi = 0\) leží všechny vzorky v nulách a vlna z nich není vidět vůbec.
Máme tedy dva body na jednu periodu, což je minimum nutné k zachycení této frekvence, tj. vlny \(\sin 2\pi f_c t\).
Problém aliasingu
- Pokud Fourierův obraz obsahuje vyšší frekvence \(f\) než \(f_c\), dochází k aliasingu neboli příspěvek vyšších frekvencí se objeví v nižších.
- Vzorkování s krokem \(\Delta t\) totiž nerozliší frekvence \(f_1\) a \(f_2\), pokud se liší o násobek \(\frac{1}{\Delta t}\), což je šířka frekvenčního rozsahu \(\langle -f_c, f_c \rangle\).
Rychle kmitající sinusovka vzorkovaná v bodech vyznačených tečkami; její vzorky leží na pomalé sinusovce nakreslené silnější čarou — aliasu rychlého signálu. Alias se počítá složením frekvence do pásma \(\langle -f_c, f_c \rangle\), tedy \(f_a = f - k/\Delta t\), a pod plátnem se ukazuje, že se obě sinusovky ve vzorkovacích bodech shodují až na zaokrouhlovací chybu. Projeďte posuvníkem \(f\) přes \(f_c\) a sledujte, jak se alias „odrazí“ zpět do pásma; posuvníkem \(\Delta t\) si ověřte, že rozhoduje jen poměr \(f\) a \(1/\Delta t\).
Spektrum se svislými čarami v bodech \(-f_c\) a \(f_c\): čárkovaně je skutečné spektrum přesahující za \(\pm f_c\), plnou čarou vzniklé přeložené spektrum („aliased spectrum“), které je uvnitř intervalu vyšší. Modelové spektrum se dvěma hrby a pomalu klesajícími křídly je zvoleno tak, aby jev byl dobře vidět; přeložené spektrum se z něj počítá jako součet všech kopií posunutých o násobky \(1/\Delta t = 2 f_c\). Na okrajích pásma je zkreslení největší — hodnoty se tam sčítají z obou sousedních kopií — a z periodicity přeloženého spektra plyne \(\hat{H}_{\mathrm{alias}}(-f_c) = \hat{H}_{\mathrm{alias}}(f_c)\). Zaškrtávátkem si posunuté kopie zobrazte; posuvníky měňte \(f_c\) i šířku spektra a sledujte pod plátnem, kolik procent \(\int|\hat{H}|^2\) leží mimo pásmo a jak roste přebytek uvnitř.
Je tedy nutné vzorkovat podle nejvyšší frekvence, případně použít filtry apod.
Odvození diskrétní Fourierovy transformace
Máme-li funkci \(h(t)\) vzorkovánu v časech \(t_k = k\,\Delta t\), \(k = 0, 1, \dots, N-1\), tj. máme posloupnost \(h_k = h(t_k)\), pak její Fourierův obraz můžeme aproximovat, ovšem jen v určitých frekvencích: z \(N\) bodů lze určit nejvýše \(N\) nezávislých frekvencí mezi \(-f_c\) a \(f_c\), a sice
\[ \begin{array}{ccc} f_n = \dfrac{n}{N\Delta t} , & n = -\dfrac{N}{2} , & \dots ,\ \dfrac{N}{2} \\[4pt] & \Updownarrow & \Updownarrow \\[2pt] & -f_c & +f_c \end{array} \]Jde o \(N+1\) frekvencí, ale hodnota pro \(-f_c\) a \(f_c\) bude stejná.
Máme tedy
\begin{align*} H(f_n) &= \int_{-\infty}^{\infty} h(t)\, e^{2\pi i f_n t}\, \mathrm{d}t \simeq \\ &\simeq \sum_{k=0}^{N-1} h_k\, e^{2\pi i f_n t_k}\ \Delta t = \\ &= \Delta t \underbrace{\sum_{k=0}^{N-1} h_k\, e^{2\pi i k n/N}}_{H_n} = \Delta t\, H_n . \end{align*}I když jsme brali
\[ n = -\frac{N}{2}, \dots, \frac{N}{2} , \]hodnota \(H_n\) se nezmění, přičteme-li k \(n\) číslo \(N\), takže
\begin{equation}\label{eq:12b:periodicita} H_{-n} = H_{N-n} . \end{equation}Vztah
\begin{equation}\label{eq:12b:dft} H_n = \sum_{k=0}^{N-1} h_k\, e^{2\pi i k n/N} \end{equation}je tzv. diskrétní Fourierova transformace posloupnosti \(h_k\); povšimněme si, že nezávisí na \(\Delta t\). Proto se obvykle hledá \(H_n\) pro \(n = 0, \dots, N-1\), tedy pro stejný rozsah indexů jako u \(k\).
Je ovšem nutné dát pak pozor na to, které frekvence odpovídají kterému \(H_n\). Obvykle tedy \(H_0\) přísluší nulové frekvenci, hodnoty \(H_1, \dots, H_{N/2-1}\) odpovídají kladným frekvencím \(0 < f < f_c\), hodnoty \(H_{N/2+1}\) až \(H_{N-1}\) odpovídají záporným frekvencím \(-f_c < f < 0\) a \(H_{N/2}\) odpovídá oběma hodnotám \(f_c\) i \(-f_c\).
Inverzní diskrétní Fourierova transformace
Inverzní diskrétní Fourierova transformace, která dává přesně \(h_k\) z \(H_n\), pak je
\begin{equation}\label{eq:12b:idft} h_k = \frac{1}{N}\sum_{n=0}^{N-1} H_n\, e^{-2\pi i k n/N} . \end{equation}Od \eqref{eq:12b:dft} se liší jen znaménkem v exponentu a faktorem \(\frac{1}{N}\), takže ji lze počítat prakticky stejně.
Rychlá Fourierova transformace (FFT)
I když je diskrétní Fourierova transformace na první pohled metodou řádu \(\mathcal{O}(N^2)\), lze ji pro \(N = 2^x\) provést v řádu \(\mathcal{O}(N \log_2 N)\) operací, neboť podle Danielsona a Lanczose platí
\begin{align*} H_n &= \sum_{k=0}^{N-1} e^{2\pi i k n/N}\, h_k = \\[4pt] &= \sum_{k=0}^{N/2-1} e^{2\pi i n (2k)/N}\, h_{2k} + \sum_{k=0}^{N/2-1} e^{2\pi i n (2k+1)/N}\, h_{2k+1} = \\[4pt] &= \sum_{k=0}^{N/2-1} e^{2\pi i n k/(N/2)}\, h_{2k} + W^n \sum_{n=0}^{N/2-1} e^{2\pi i n k/(N/2)}\, h_{2k+1} = \\[4pt] &= \underbrace{H_n^{e}}_{\text{DFT sudých}} + \underbrace{W^n H_n^{o}}_{\text{DFT lichých vzorků } h_k} . \end{align*}Tento princip pak použijeme rekurzivně na \(H_n^{e}\) a \(H_n^{o}\), až bude
\[ H_n^{eoeeo\cdots oe} = h_k \]pro jisté \(k\) odpovídající vzoru \(eoee\cdots\). A sice obrátíme-li vzor \(eoeeo\ldots oe\) binárně, kde \(e = 0\) a \(o = 1\), dostaneme odpovídající \(k\). Je tedy nutno posloupnost přeuspořádat pomocí bit reversal (přehození bitů), například takto.
Přeuspořádání pomocí bit reversal, pro dvoubitové vzory \(00 \to 00\), \(01 \to 10\), \(10 \to 01\), \(11 \to 11\). Posuvníkem lze zvolit počet bitů (tedy \(N = 2, 4, 8, 16\)); šedé šipky jsou pevné body permutace, modré skutečné přesuny. Posuvník „index \(k\)“ zvýrazní jeden prvek a pod plátnem ukáže jeho vzor sudých a lichých dělení (\(e\) = sudé, \(o\) = liché, čteno od nejnižšího bitu) i cílovou pozici po binárním obrácení. Poslední řádek počítá radix-2 FFT s tímto přeuspořádáním a srovnává ji s přímou sumou \eqref{eq:12b:dft} — shoda vychází na úrovni zaokrouhlovací chyby, přestože operací je \(N \log_2 N\) místo \(N^2\).
Přeuspořádání lze provést v řádu \(\mathcal{O}(N \log_2 N)\) operací.
Potom se výsledky kombinují zpět pomocí Danielsonova–Lanczosova vztahu, a to \(\log_2 N\)-krát, vždy v řádu \(N\) operací. Podrobnosti algoritmu viz Numerical Recipes.
Existují i verze pro \(N \neq 2^x\), ale jejich efektivita je horší a záleží na faktorizaci čísla \(N\).
Výpočet Fourierovy transformace pomocí DFT (FFT)
Nechť máme program, který vrací
\begin{equation}\label{eq:12b:dft_program} H_n = \sum_{k=0}^{N-1} h_k\, e^{2\pi i k n/N} , \qquad n = 0, \dots, N-1 , \end{equation}a chceme pomocí něj (přibližně) spočítat například
\begin{equation}\label{eq:12b:integral} I(\omega_n) = \frac{1}{\sqrt{2\pi}} \int_{-\infty}^{\infty} e^{i\omega_n t}\, h(t)\, \mathrm{d}t \end{equation}pomocí hodnot \(h_k\) v bodech \(t_k = t_{\min} + k\,\Delta t\), \(k = 0, \dots, N-1\).
Za předpokladu, že \(h_k\) jsou mimo body \(t_k\) nulové, dostaneme pomocí lichoběžníkového pravidla
\[ I(\omega_m) \cong \frac{1}{\sqrt{2\pi}} \sum_{r=0}^{N-1} h_r\, e^{i\omega_m t_r}\, \Delta t , \]kde
\begin{align*} t_r &= t_{\min} + r\,\Delta t , \\ \omega_m &= \frac{2\pi m}{N\Delta t} , \qquad m = -\tfrac{N}{2}, \dots, \tfrac{N}{2} , \end{align*}a tedy
\begin{equation}\label{eq:12b:ft_pres_dft} I(\omega_m) \cong \frac{\Delta t}{\sqrt{2\pi}}\, e^{i\omega_m t_{\min}} \sum_{r=0}^{N-1} h_r\, e^{2\pi i r m/N} . \end{equation}Faktorem \(\frac{\Delta t}{\sqrt{2\pi}}\, e^{i\omega_m t_{\min}}\) je přitom nutno výsledek transformace násobit, přičemž suma v \eqref{eq:12b:ft_pres_dft} je
\[ \tilde{H}_m = \begin{cases} H_{m+N} & \text{pro } m < 0 , \\ H_m & \text{pro } m \geq 0 . \end{cases} \]Navíc je třeba dávat pozor na umístění záporných frekvencí v \(H_n\).
Časový vývoj v kvantové mechanice pomocí split-operator metody
Časový vývoj je dán evolučním operátorem \(U = e^{-iHt}\), tedy
\begin{equation}\label{eq:12b:evoluce} |\psi(t)\rangle = e^{-iHt} |\psi_0\rangle , \qquad (\hbar = 1 \text{ — atomové jednotky}) , \end{equation}kde \(H = T + V\), přičemž \(T\) je operátor kinetické energie a \(V\) potenciální energie.
Tyto dva operátory spolu nekomutují, a tedy \(e^{-iHt} \neq e^{-iTt} e^{-iVt}\).
Do řádu \(\mathcal{O}(\Delta t^2)\) pro malé \(\Delta t\) ovšem platí
\begin{equation}\label{eq:12b:split_operator} e^{-iH\Delta t} = e^{-\frac{iV\Delta t}{2}}\, e^{-iT\Delta t}\, e^{-\frac{iV\Delta t}{2}} + \mathcal{O}(\Delta t^3) , \end{equation}přičemž člen \(e^{-iT\Delta t}\) je v \(p\)-reprezentaci roven \(e^{-i\frac{p^2}{2m}\Delta t}\). Jde tedy o pouhé násobení: působení \(e^{-iH\Delta t}\) lze pomocí přechodů mezi \(\psi^x(x)\) a \(\psi^p(p) = \langle p | \psi \rangle\) převést na násobení buď \(e^{-\frac{iV\Delta t}{2}} \psi^x(x)\), nebo \(e^{-i\frac{p^2}{2m}\Delta t} \psi^p(p)\).
Je-li \(\psi^p(p)\) určeno pomocí diskrétní (rychlé) Fourierovy transformace, je nutno dát pozor na to, jakým \(p\) násobíme.
Přechod mezi \(\psi^x(x)\) a \(\psi^p(p)\) je dán Fourierovými vztahy
\begin{equation}\label{eq:12b:psi_p} \psi^p(p) = \frac{1}{(2\pi)^{1/2}} \int_{-\infty}^{\infty} e^{-ipx} \psi^x(x)\, \mathrm{d}x \qquad \text{(inverzní FT)} , \end{equation} \begin{equation}\label{eq:12b:psi_x} \psi^x(x) = \frac{1}{(2\pi)^{1/2}} \int_{-\infty}^{\infty} e^{ipx} \psi^p(p)\, \mathrm{d}p . \end{equation}Přecházíme-li tam a zpět, konstantní faktory nehrají roli, takže stačí násobit obraz z diskrétní Fourierovy transformace vhodným \(e^{-i\frac{p^2}{2m}\Delta t}\), a sice s hodnotami
\begin{align*} p_j &= \frac{2\pi j}{N \Delta x} & &\text{pro } j = 0, \dots, \tfrac{N}{2} - 1 , \\ p_j &= \frac{2\pi}{N \Delta x}(j - N) & &\text{pro } j = \tfrac{N}{2}, \dots, N - 1 . \end{align*}Zobecnění na metody vyššího řádu pomocí symetrické kompozice viz J. Chem. Phys. 150 (2019) 204113.