![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/02683BED-6337-4F55-BDC1-8E70C273E69B | - |
| Αναγνωριστικό | https://doi.org/10.1109/CLEO/Europe-EQEC52157.2021.9541650 | - |
| Αναγνωριστικό | https://ieeexplore.ieee.org/document/9541650 | - |
| Γλώσσα | en | - |
| Μέγεθος | 1 page | en |
| Τίτλος | Characterizing photonic band structures using topological data analysis | en |
| Δημιουργός | Leykam Daniel | en |
| Δημιουργός | Angelakis Dimitrios | en |
| Δημιουργός | Αγγελακης Δημητριος | el |
| Εκδότης | Institute of Electrical and Electronics Engineers | en |
| Περίληψη | Topological data analysis forms a suite of techniques for characterizing the abstract "shapes" of complex high-dimensional data. Being sensitive to global features, topological data analysis shows promise for the unsupervised machine learning of order parameters and topological phases. Here we show how the topological data analysis technique of persistent homology may be applied to characterize photonic band structures and learn their topological features. | en |
| Τύπος | Σύντομη Δημοσίευση σε Συνέδριο | el |
| Τύπος | Conference Short Paper | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2023-05-24 | - |
| Ημερομηνία Δημοσίευσης | 2021 | - |
| Θεματική Κατηγορία | Data analysis | en |
| Θεματική Κατηγορία | Shape | en |
| Θεματική Κατηγορία | Europe | en |
| Θεματική Κατηγορία | Machine learning | en |
| Θεματική Κατηγορία | Photonics | en |
| Βιβλιογραφική Αναφορά | D. Leykam and D. G. Angelakis, "Characterizing photonic band structures using topological data analysis," presented at the 2021 Conference on Lasers and Electro-Optics Europe & European Quantum Electronics Conference (CLEO/Europe-EQEC), Munich, Germany, 2021, doi: 10.1109/CLEO/Europe-EQEC52157.2021.9541650. | en |
Copyright © DIAS 2013
