Патологическая функция Колмогорова: когда ряд Фурье расходится везде

Можно было бы и привести функцию Колмогорова.

Колмогоров и границы рядов Фурье как инструмента анализа сигналов

Колмогоров — один из величайщих умов ХХ века: он создал аксиоматику теории вероятностей, заложил основы теории марковских процессов, развил теорию хаоса, построил крупнейшую математическую школу. Но в большую математику он ворвался ещё студентом с красивой и дерзкой «патологией», которая показала границы самого известного инструмента анализа сигналов — рядов Фурье.

Идея выглядит просто: берём функцию f, считаем гармоники, составляем её «оркестр» из синусов и косинусов, постепенно добавляем всё больше гармоник и ожидаем, что сумма всё точнее «попадает» в исходную кривую. По-простому, чем больше чистых тонов вы смешаете, тем ближе получится к оригиналу. В технике ряды Фурье встрачаются везде, где есть сигналы — от умных колонок до томографии и уравнений квантовой механики в частотном пространстве.

Сюрприз от 19-летнего Колмогорова: ряд Фурье расходится везде

В 1922 году он построил вполне «порядочную» функцию. У неё конечная площадь под графиком за период (это и значит «интегрируема», класс L1). Но если к ней честно применять Фурье-метод и наращивать число гармоник, сумма не приближается к исходнику в почти всех точках.
В 1926 он усилил удар: нашёл функцию из того же класса, у которой разложение «разбегается» вообще в каждой точке.

Как выглядит такая функция? Это не чудовище с бесконечными иглами, скорее «неровная», со вспышками и резкими сменами. Достаточное, чтобы суммирование давала большие провалы и выбросы.

Что именно «сломал» Колмогоров: сходимость ряда Фурье под вопросом

Он сломал ожидание, что «интегрируемости» достаточно для устойчивого восстановления по гармоникам, то есть для гарантии сходимости частичных сумм ряда Фурье к исходной функции.

Проблема в том, что стандартное суммирование идёт через так называемое ядро Дирихле. Не пугайтесь: это просто набор весов, которыми вы смешиваете гармоники, своего рода «акустика зала». У этой акустики есть неприятная особенность: её суммарная «громкость» растёт как log N с числом гармоник N. Рост медленный, но уверенный. С некоторых пор даже маленькие выбросы в исходной функции начинают многократно усиливать звук в сумме. Вместо всё более точной копии получается дрожащая пила с усиленными рябями.

Почему сходимость ряда Фурье важна не только математикам

Ряд Фурье — универсальный инструмент. В реальном мире мы часто хотим «разобрать» сложный сигнал на понятные составляющие, а потом собрать его обратно. Колмогоров показал: универсальность работает не везде. Есть данные, где «честное» частотное сложение без дополнительной гладкости обречено давать нестабильность. Значит, нужно либо требовать от данных больше регулярности, либо менять способ суммирования.

Как снова «починили» ряд Фурье: теорема Карлесона о сходимости

Ещё в 1915 году Лузин угадал правильный ориентир: нужно брать функции не в L^1 (функции с конечной площадью под графиком), а в пространстве L^2 (с конечной энергией, то есть интегрируемым квадратом). В 1966 году Леннарт Карлесон доказал, что для f ∈ L^2 частичные суммы действительно сходятся к f почти всюду. В 1968 Ричард Хант распространил это на все L^p при p>1.

Если у функции конечная «энергия» (квадрат интегрируем), то гармоники собираются в оригинал. Если только интеграл по модулю конечен — гарантий нет.

Контрпример заставил перестроить текхнику. Возникли более гибкие способы суммирования (Фейера, Пойа), максимальные операторы, и весь современный гармонический анализ — с его щадящими «линзами», которые сглаживают суммирование и возвращают устойчивость. Парадоксально, но именно контрпример объяснил, как сделать Фурье-методы надёжными.

Вывод: где проходит красная черта сходимости ряда Фурье

Колмогоров провёл красную черту: «интегрируемо» — ещё не «восстановимо из гармоник». Карлесон дополнил: «есть энергия — проезд разрешён». Для математики это прояснило, какие бесконечные суммы можно складывать «по-честному», а где требуется другой порядок или сглаживание; для мира — это объяснение, почему в обработке сигналов и данных мы почти всегда применяем окна, аподизацию и усреднения, чтобы частотные методы были не только красивыми, но и устойчивыми.