A utilidade absurdamente excelente da transformada de Fourier

• Uma apresentação que mostra o quão poderosamente a transformada de Fourier funciona em aplicações tecnológicas reais
• O palestrante explica com foco em casos relacionados a OFDM (Orthogonal Frequency Division Multiplexing) no evento Teardown 2025
• Também são fornecidos diversos materiais de referência, como PDF dos slides, Jupyter notebook, código de decodificador DVB-T e vídeo do algoritmo FFT
• Este material mostra que a transformada de Fourier continua sendo uma ferramenta central nas áreas de comunicação e processamento de sinais

---

• Normalmente os sinais são tratados como algo cujo valor varia ao longo do tempo, mas o mesmo sinal também pode ser expresso como a soma de componentes de frequência
• A transformada de Fourier é uma ferramenta que converte uma forma de onda complexa em “quais frequências estão misturadas e em que quantidade”
• Por exemplo, ruído impulsivo de curta duração, distorção que oscila lentamente e padrões repetitivos parecem misturados no domínio do tempo, mas se separam no domínio da frequência

• Os canais de comunicação do mundo real em sua maioria têm características lineares e invariantes no tempo (LTI, Linear Time-Invariant)
• Em sistemas LTI, como um sinal é distorcido é determinado de forma independente para cada frequência
• Atraso, reflexão e atenuação no domínio do tempo aparecem como mudanças de magnitude e de fase no domínio da frequência

• Se você tentar resolver o problema no domínio do tempo, atraso, sobreposição e interferência ficam todos entrelaçados
• Ao observar o mesmo problema no domínio da frequência, ele se transforma em ajustar cada componente de frequência uma a uma
• É daí que surge a ideia de “mover os dados para um espaço onde sejam mais fáceis de processar”

• A implementação direta dessa ideia é o OFDM (Orthogonal Frequency Division Multiplexing)
• Um fluxo de dados rápido é dividido em várias subportadoras (subcarriers) lentas
• Cada subportadora é ortogonal às demais, então pode ser transmitida ao mesmo tempo sem interferência
• Com FFT (Fast Fourier Transform)/IFFT (Inverse Fast Fourier Transform), é possível converter e reconstruir muitas subportadoras de uma só vez

• Quando o estado do canal varia conforme a frequência, apenas algumas subportadoras têm qualidade ruim
• Em um esquema de portadora única, todos os dados são danificados, mas no OFDM apenas parte deles é afetada
• Frequências problemáticas podem ser usadas com menor intensidade ou até deixadas vazias

• Ruído em rajada concentrado no tempo é distribuído em vários símbolos e várias frequências no OFDM
• Um ruído forte em um instante curto não leva à corrupção de todos os dados

• O multipercurso em ambientes sem fio cria atrasos porque o sinal chega por vários caminhos
• No domínio do tempo, os símbolos se sobrepõem e ocorre ISI (Inter-Symbol Interference, interferência intersimbólica)
• No domínio da frequência, o multipercurso aparece como uma curva de resposta do canal
• Ao corrigir essa curva, é possível restaurar cada subportadora de forma independente

• Sinais piloto são usados para rastrear o erro de frequência (deriva do LO) entre transmissor e receptor
• O deslocamento Doppler que ocorre durante o movimento também pode ser separado por frequência e corrigido

• É possível aplicar esquemas de modulação diferentes para cada subportadora
• Faixas com bom estado de sinal recebem modulação de alta velocidade, enquanto faixas ruins recebem modulação mais estável
• Isso permite transmissão hierárquica de dados, algo impossível em um único fluxo

• Também é possível expandir para uma estrutura OFDMA em que vários usuários transmitem simultaneamente dividindo tempo e frequência
• O interleaving, que mistura os dados tanto no tempo quanto na frequência, reduz a concentração de erros
• Combina-se naturalmente com técnicas de correção de erro como código convolucional, Reed–Solomon e BCH

• No fim, a transformada de Fourier é uma “chave que transforma uma realidade complexa em um problema simples de ajuste”
• O OFDM é um projeto que coloca essa chave no centro da arquitetura de comunicação
• Ele serve de base para que as comunicações sem fio modernas obtenham ao mesmo tempo alta velocidade e estabilidade

[euphcat]

Entre as "opiniões do HN":
> * É impressionante que ele tenha sido tão produtivo mesmo tendo seis filhos

...?

[aer0700]

Já estamos vivendo numa era em que existe alguém com quatorze filhos e que é CEO de quatro empresas...

[euphcat]

Não, mas eu fui realmente procurar na Wikipédia: Joseph Fourier apresentou a transformada de Fourier em 1822, a FFT foi formalizada e publicada em 1965 (desconsiderando divulgações fragmentadas anteriores), houve uma publicação um pouco mais cedo em 1932, e acontece que Gauss já tinha registrado a FFT sem publicar lá em 1805. Não tem como não concordar com o comentário Gauss is gonna Gauss (Gauss apenas sendo Gauss) ;_;

[kimjoin2]

Aquela série de transformadas em matemática para engenharia que realmente me deixava maluco... buá

[aer0700]

Lembro que usei isso no passado quando escrevi uma lógica para remoção de ruído e eliminação de padrões repetitivos.
Hoje em dia, parece que implementam algo parecido com autoencoders.

[GN⁺]

Comentários do Hacker News

• As pessoas ficam fascinadas pela ideia de “espaço de frequências”, mas o ponto principal é o quanto uma mudança de sistema de coordenadas centrada no problema pode ser útil
  Assim como Copérnico simplificou o movimento complexo dos planetas ao mudar o sistema de coordenadas, a análise de Fourier é essencialmente a mesma ideia
  Em sinais digitais, a base de Walsh-Hadamard também é útil, e isso é um conceito totalmente diferente de frequência
  Modelos como o GPT também estão hoje em um estado ptolomaico, e acho que um dia vamos entender sua dinâmica em um sistema de coordenadas melhor
  • Essas transformações acabam sendo, no fim, o processo de trocar para a base própria de algum operador diferencial
    Harmônicos esféricos, funções de Bessel, funções de Hankel etc. são, cada um, variações de seno/cosseno ou de funções exponenciais complexas
    Wavelets usam um espaço de parâmetros em forma de árvore, e recentemente também há muita pesquisa sobre bases sobrecompletas (overcomplete basis)
    Mas acho que esse tipo de abordagem linear não tem relação direta com entender redes neurais que lidam com estruturas não lineares de alta dimensão
  • Se eu tivesse aprendido transformadas de Fourier ou de Laplace desse jeito, as aulas de DSP teriam sido bem mais interessantes
  • Prever o estado futuro de um sistema quântico também fica simples se for possível diagonalizar o Hamiltoniano
    Mas o problema é que, em geral, isso é quase impossível
• Minha história favorita sobre a transformada de Fourier é a de que Gauss descobriu o algoritmo FFT um século antes de Cooley e Tukey
  Ele anotou isso em seus cadernos enquanto estudava o movimento dos asteroides Pallas e Juno, mas nunca publicou para o mundo
  Documento relacionado
  • Dizem que, quando outro matemático mostrava um resultado novo, Gauss dizia “eu já fiz isso” e puxava da gaveta um monte de papéis sobre o assunto
  • Ouvi quando era estagiário na Chevron que, já nos anos 1950, usavam transformadas de Fourier em análise sísmica para prospecção de petróleo, mas mantinham isso em segredo porque matemática não pode ser patenteada
  • Dizem que as margens dos cadernos de Gauss estavam cheias de provas inéditas
    Ele teria dito ao filho para não estudar matemática, porque considerava impossível superar a si mesmo
  • Gauss era realmente Gauss
  • Impressiona que tenha sido tão produtivo mesmo com seis filhos
• A funcionalidade que mais sinto falta no Grafana é uma transformada de Fourier que encontre padrões periódicos (epiciclos) em picos de tráfego
  Eu queria capturar tráfego periódico, como segunda-feira de manhã ou terça ao meio-dia
  Mas configurei o gráfico errado e acabei consumindo metade do uso diário; depois mudei para a linha de -7 dias, eu entendia, mas a equipe ficou confusa
  • Esses picos não se encaixam na hipótese de que o sinal tem componentes de frequência ao longo de toda a extensão
    Em vez disso, a análise de cepstrum é mais apropriada, e costuma ser usada na análise de vibração de máquinas para encontrar impactos periódicos, como danos em engrenagens
• Um sinal não pode ser limitado em banda ao mesmo tempo no tempo e na frequência
  Fiquei surpreso ao descobrir, na graduação, que esse fato é equivalente ao princípio da incerteza
  Eu e minha esposa discutimos com frequência sobre como carregar a lava-louças; eu faço rápido (minimizando o tempo), ela faz com cuidado (minimizando o número de lavagens), ou seja, cada um está otimizando um domínio diferente
  • Um sinal pode ser aproximadamente limitado nos dois lados
    Por exemplo, a função gaussiana é compacta em ambos os domínios
  • O ouvido é excelente em decomposição de frequências, mas fraco em detecção de direção; a visão é o contrário
  • Isso é literalmente o princípio da incerteza de Heisenberg em processamento de sinais
  • Fiquei na dúvida se isso quer dizer “fazer rápido e ter que rodar mais uma vez”
    Aliás, recomendo o vídeo da Technology Connections sobre lava-louças
  • Uma lava-louças com carregamento automático seria a invenção que salvaria casamentos
• Quando você começa a ver o mundo no domínio da frequência, muitos truques ficam simples
  Eu fiz um código de demonstração que aplica transformada de Fourier ao vídeo de uma webcam para ler a frequência cardíaca no rosto
  A ideia é encontrar onde a energia atinge pico em uma determinada frequência
  • Isso é a base de todos os algoritmos de compressão com perdas
    O DCT, que é o núcleo de JPEG, h264 e mp3, é basicamente uma FFT modificada
  • Já vi antes um comentário no HN dizendo que essa mudança de perspectiva mudou a vida da pessoa
  • Há uma analogia parecida nas finanças — agir com base em limiares de preço, e não em momentos específicos
  • Mas, na prática, talvez a pulsação da pele causada pelo fluxo sanguíneo nem seja visível na webcam
• Recomendo fortemente o vídeo mais recente de Sebastian Lague
  Ele explica o conceito de transformada de Fourier de forma muito fácil
  Link do vídeo
• Surgiu a piada sobre quem colocaria um título como “The Unreasonable Effectiveness of The Unreasonable Effectiveness”
  • Alguém respondeu em tom de meme: “Unreasonable effectiveness is all you need”
  • Considerando o que o artigo original trata e como a transformada de Fourier tornou possível a comunicação em canais com ruído, acho um título bem apropriado
  • Originalmente é uma paródia do famoso ensaio de 1960 “The Unreasonable Effectiveness of Mathematics in the Natural Sciences”
    Mas esse tipo de título foi tão usado demais que agora parece um pouco apelativo
  • Alguém brincou dizendo ser “o extremo oposto de unreasonable effectiveness-ness”
  • Acho esse tipo de título infantil
    A transformada de Fourier é, na verdade, um conceito muito racional e intuitivo
    Como a matemática é a linguagem da ciência, dizer que “a matemática é anormalmente eficaz” também parece exagero
    A apresentação no fim das contas está num nível bem básico, tipo FT 101
• Do ponto de vista de ML/data science, FFT é um conceito parecido com PCA
  É o processo de projetar os dados em um sistema de coordenadas melhor (tempo → frequência), remover as bases de baixa variância e então reconstruir com a transformada inversa (IFFT)
  A diferença é que as bases da FFT são fixas
• Eu não gosto muito da transformada de Fourier
  Ela lida com domínios infinitos, então parece grosseira e pouco alinhada com a realidade
  • Na prática, todo mundo aplica FFT em dados com janela
    Isso elimina os problemas de suporte infinito e resolução infinita
  • Não sei se é uma piada de Tomb Raider ou uma metáfora matemática
  • Aqui, simplesmente não é isso
• Ao explicar OFDM, ele está tratando implicitamente de modulação por deslocamento de amplitude (ASK)
  Para usar outras modulações, basta tratar o número complexo da subportadora como um ponto IQ
  No fim, é o mesmo que ler o mesmo símbolo no domínio da frequência em vez do tempo, e isso funciona de forma equivalente à modulação comum graças ao princípio da superposição (superposition)