論文の概要: Recovering topological information of light by topological learning
- arxiv url: http://arxiv.org/abs/2609.06542v1
- Date: Sun, 06 Sep 2026 11:30:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.263514
- Title: Recovering topological information of light by topological learning
- Title（参考訳）: 位相学習による光の位相情報の復元
- Abstract要約: 我々は、失われたトポロジ情報を復元し、分類するためのトポロジ強化人工知能(AI)アプローチを提案し、実証する。
光のトポロジ的分類を光のトポロジと整合させることにより、我々のTOPO$2$プロトコルは、スペックルからでも光のトポロジ的状態の高効率な認識を実現する。
この研究は、トポロジカル・フォトニクスとトポロジカル・AIを合成し、隠れたトポロジカル・シグネチャを光で破壊し、極端に乱れた環境でも堅牢なコミュニケーションへの道を開く。
- 参考スコア（独自算出の注目度）: 5.169011915701565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The evolution of modern-day communication networks towards optical solutions with enhanced capacity and robustness is driving interest in topological light waves, exploiting their stability against perturbations through a topological invariant, e.g., the skyrmion number. However, detecting the underlying topology remains a computationally intense process even under ideal conditions, becoming intractable after passing through strongly disordered channels, where the degradation into unrecognisable speckle appears to destroy the topology. Here, we propose and demonstrate a topology-enhanced artificial intelligence (AI) approach to recover and classify such apparently lost topological information by computationally leveraging topological invariants in the data across many length scales. By aligning the topological classification of information with the topology of light, our topology-enhanced learning protocol, termed TOPO$^{2}$, achieves highly efficient recognition of the topological states of light, even from speckle, without the need for any prior learning. Our approach outperforms benchmark tests against standard computational algorithms and has the benefit of requiring just a single intensity pattern as the input, facilitating single-shot operation. To demonstrate this, we leverage the skyrmion number as a robust data carrier of images through a disordered channel, using TOPO$^{2}$ to accurately reconstruct the transmitted images. This work synergises topological photonics and topological AI for unravelling hidden topological signatures in light, opening a pathway towards robust communications even in extreme disordered environments.
- Abstract（参考訳）: 現代の通信網が拡張容量とロバスト性を持つ光学解へと進化するにつれ、トポロジカル光波への関心が高まり、トポロジカル不変量、例えばスカイミオン数による摂動に対する安定性が利用されるようになった。
しかし、基礎となるトポロジを検出することは、理想的な条件下であっても計算的に激しいプロセスであり、強い乱れのあるチャネルを通過した後に、そのトポロジが破壊されるように見える。
そこで本研究では,データ中のトポロジ的不変性を多くの長さスケールで計算的に活用することにより,そのような明らかに失われたトポロジ的情報を復元・分類する,トポロジ強化人工知能(AI)アプローチを提案し,実証する。
光のトポロジ的分類を光のトポロジと整合させることにより、我々のトポロジ的学習プロトコルであるTOPO$^{2}$は、先行学習を必要とせずにスペックルからでも、光のトポロジ的状態の高効率な認識を実現する。
提案手法は,標準計算アルゴリズムに対するベンチマークテストよりも優れており,入力として1つの強度パターンのみを必要とするという利点があり,単発操作が容易である。
これを示すために、TOPO$^{2}$を用いて送信された画像の正確な再構成を行い、乱れたチャネルを通して画像の堅牢なデータキャリアとしてスカイミオン数を利用する。
この研究は、トポロジカル・フォトニクスとトポロジカル・AIを合成し、隠れたトポロジカル・シグネチャを光で破壊し、極端に乱れた環境でも堅牢なコミュニケーションへの道を開く。
関連論文リスト
- Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。
事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。
高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。
本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。
SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
論文 参考訳（メタデータ） (2026-05-23T17:42:25Z) - Topological Kalman Filtering on Cell Complexes [20.46303557358702]
細胞複合体上の偏微分方程式から導出した位相対応状態空間フレームワークを提案する。
部分可観測性の下では,潜伏状態の細胞複合体畳み込みと非線形マッピングを用いた観測をモデル化する。
低階トポロジ構造のみが知られているシナリオに対しては,2階のセル構造を明示的に推測するセル識別アルゴリズムを導入する。
論文 参考訳（メタデータ） (2026-05-15T13:48:01Z) - Continuous-tone Simple Points: An $\ell_0$-Norm of Cyclic Gradient for Topology-Preserving Data-Driven Image Segmentation [12.419704025342476]
トポロジカルな特徴は、画像解析タスクにおける幾何学的可視性と構造的整合性の確保に不可欠である。
既存の単純な点検出法はバイナリ画像に限られており、微分不可能である。
本稿では,連続評価画像上の単純な点を直接計算し,位相推定の微分を可能にする手法を提案する。
論文 参考訳（メタデータ） (2026-04-30T17:45:50Z) - Topo-R1: Detecting Topological Anomalies via Vision-Language Models [42.86510112477789]
トポロジカルな正確性は、血管、神経線維、道路網などの構造にとって重要である。
我々は,様々なトポロジ的異常を検証可能なアノテーションで合成する自動データキュレーションパイプラインを開発した。
次に、トポロジを意識した視覚言語モデルを実現するフレームワークであるTopo-R1を紹介する。
論文 参考訳（メタデータ） (2026-03-13T15:05:04Z) - Understanding the Information Propagation Effects of Communication Topologies in LLM-based Multi-Agent Systems [58.95962217043371]
提案手法は, エージェントの出力の正確さ, 誤動作の有無を, 異なる範囲の位相の下で伝達する因果関係を解析するための枠組みである。
実験により,有益な情報拡散を保ちながらエラーの伝播を効果的に抑制する,適度に疎らなトポロジが,通常最適なタスク性能を達成できることが判明した。
本稿では,高密度グラフとスパースグラフの両方から接続パターンを融合させることにより,エラー抑制と有益な情報伝達のバランスをとる新しいトポロジ設計手法 EIB-leanrner を提案する。
論文 参考訳（メタデータ） (2025-05-29T11:21:48Z) - Enhancing anomaly detection with topology-aware autoencoders [0.0]
オートエンコーダは信号に依存しないアプローチを提供するが、その潜在空間の位相によって制限される。
球面(Sn$)、積(S2 otimes S2$)、射影(mathbbRP2$)潜在空間を持つオートエンコーダを構築する。
提案手法をハドロン上クォーク崩壊シミュレーションに適用することにより, 適切な位相制約を持つ潜在空間が異常事象の検出における感度と頑健性を高めることを示す。
論文 参考訳（メタデータ） (2025-02-14T13:50:46Z) - Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。
ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。
トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-05T16:20:14Z) - Semi-supervised Segmentation of Histopathology Images with Noise-Aware Topological Consistency [11.783112213482632]
TopoSemiSegは、ラベルのない画像からトポロジカル表現を学習する最初の半教師付き手法である。
教師と学生モデルの表現を整合させるため,雑音を考慮したトポロジカル整合性損失を導入する。
病理組織像データセットを用いた実験により,本手法の優位性を示した。
論文 参考訳（メタデータ） (2023-11-28T03:04:35Z) - Position-aware Structure Learning for Graph Topology-imbalance by
Relieving Under-reaching and Over-squashing [67.83086131278904]
トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。
PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。
私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
論文 参考訳（メタデータ） (2022-08-17T14:04:21Z) - GANTL: Towards Practical and Real-Time Topology Optimization with
Conditional GANs and Transfer Learning [0.0]
生成的設計探索のための生成的敵ネットワークに基づく深層学習手法を提案する。
提案手法は,条件付きGANの生成能力と伝達学習手法の知識伝達能力を組み合わせて,未知境界条件に対する最適位相を推定する。
論文 参考訳（メタデータ） (2021-05-07T03:13:32Z) - Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。
損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文 参考訳（メタデータ） (2020-12-31T18:53:25Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳（メタデータ） (2020-07-21T11:48:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。