Composable generation strategy framework enabled bidirectional design on topological circuits
Notice bibliographique
Résumé
Topological insulators show important properties, such as topological phase transitions and topological edge states. Although these properties and phenomena can be simulated by well-designed circuits, it remains a complex task to design such topological circuits due to the intricate physical principles and calculations involved. Therefore, achieving a framework that can automatically complete bidirectional design of topological circuits is very significant. Here, we propose an effective bidirectional collaborative design framework with strong task adaptability, which can automatically perceive inputs and generate outputs in arbitrary combinations of text and images. In the framework, a large language model (LLM) is connected to multimodal and different encoders, which involves building a shared multimodal space by bridging alignment in the diffusion process. For simplicity, a series of two-dimensional Su-Schrieffer-Heeger circuits is constructed with different structural parameters. The framework at first is applied to find the relationship between the structural information and topological features. Then the correctness of the results through experimental measurements can be verified by the automatically generated circuit diagram following the manufacture of a printed circuit board. The framework achieves good results in the reverse design of circuit structures and forward prediction of topological edge states, reaching an accuracy of 94%. The key feature of our framework is its ability to effectively learn the bidirectional mapping between circuit structure and topological impedance response across the spectrum. While recently LLMs have made exciting strides, as humans always communicate through various modalities, developing a framework capable of accepting and delivering content in more modalities becomes essential to human-level artificial intelligence. Overall, in this paper, we demonstrate the enormous potential of the proposed bidirectional deep learning framework in complex tasks and provide insights for collaborative design tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».