2026-07-03 15:05 UTCIn-site rewrite6 min readUpdated: 2026-07-03 15:37 UTC

Show HN: AI latent space with overlapping manifolds

This project presents a novel approach to AI latent space, using topological manifolds (sphere and torus) and advanced loss functions (curvature alignment, Casimir entropy, geodesic regularization) to build overlapping manifolds. The code implements adaptive topology configuration, smooth leaky guardrails, and gradient flow protection to improve learning of high-dimensional representations.

SourceHacker News AIAuthor: PJHkorea

Notifications You must be signed in to change notification settings

Fork 2

Star 3

Copy path

More file actions

Latest commit

History

482 lines (395 loc) · 29.3 KB

Copy path

Raw

Copy raw file

Download raw file

Open symbols panel

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

203

204

205

206

207

208

209

210

211

212

213

214

215

216

217

218

219

220

221

222

223

224

225

226

227

228

229

230

231

232

233

234

235

236

237

238

239

240

241

242

243

244

245

246

247

248

249

250

251

252

253

254

255

256

257

258

259

260

261

262

263

264

265

266

267

268

269

270

271

272

273

274

275

276

277

278

279

280

281

282

283

284

285

286

287

288

289

290

291

292

293

294

295

296

297

298

299

300

301

302

303

304

305

306

307

308

309

310

311

312

313

314

315

316

317

318

319

320

321

322

323

324

325

326

327

328

329

330

331

332

333

334

335

336

337

338

339

340

341

342

343

344

345

346

347

348

349

350

351

352

353

354

355

356

357

358

359

360

361

362

363

364

365

366

367

368

369

370

371

372

373

374

375

376

377

378

379

380

381

382

383

384

385

386

387

388

389

390

391

392

393

394

395

396

397

398

399

400

401

402

403

404

405

406

407

408

409

410

411

412

413

414

415

416

417

418

419

420

421

422

423

424

425

426

427

428

429

430

431

432

433

434

435

436

437

438

439

440

441

442

443

444

445

446

447

448

449

450

451

452

453

454

455

456

457

458

459

460

461

462

463

464

465

466

467

468

469

470

471

472

473

474

475

476

477

478

479

480

481

482

import torch

import torch.nn as nn

import torch.nn.functional as F

import math

from typing import Tuple, Dict, Any

class AdaptiveTopologyConfig:

"""

[KR] 시스템 글로벌 설정 및 에너지 보존 계수 정의

[EN] Global system configuration and energy conservation coefficients definition

"""

-------------------------------------------------------------------------

아키텍처 기본 차원 및 변형 버블 제어 (Base Architecture & Perturbation)

-------------------------------------------------------------------------

LATENT_DIM: int = 128 # [KR] 반드시 짝수여야 토러스 분할 사상이 가능 / [EN] Must be even for torus split mapping

INIT_SMOOTH_ALPHA: float = 5.0 # [KR] 초기 Sigmoid 경사도 (예리함) / [EN] Initial Sigmoid slope (sharpness)

INIT_THRESHOLD_ETA: float = 0.85 # [KR] 초기 코사인 유사도 기준선 / [EN] Initial cosine similarity threshold

PERTURB_BUBBLE: float = 0.1 # [KR] 하이퍼네트워크 변형 영향력 상한선 / [EN] Hypernetwork perturbation upper bound

-------------------------------------------------------------------------

양자 정보학 및 카시미르 위상학 상수 (Quantum Informatics & Casimir Physics)

-------------------------------------------------------------------------

DELTA_D: float = 1.0 # [KR] 위상학적 장벽 간 기본 구조적 거리 (\Delta d) / [EN] Baseline topological distance between barriers (\Delta d)

HBAR_EFF: float = 1.0 # [KR] 정보학적 유효 플랑크 상수 (\hbar_eff) / [EN] Informational effective Planck constant (\hbar_eff)

M_STAR: float = 1.0 # [KR] 정보 파동 유효 질량 파라미터 (m*) / [EN] Effective mass parameter (m*)

BARRIER_ETA: float = 0.5 # [KR] 위상 곡률 장벽 민감도 상수 (\eta) / [EN] Curvature sensitivity constant (\eta)

💡 [수리 교정] 카시미르 압력의 마이너스 무한대 발산 및 그래디언트 사멸 방지용 하한 한계선 지정

💡 [Fix] Lower bound limit to prevent minus-infinity divergence and gradient vanishing of Casimir pressure

PRESSURE_FLOOR: float = -20.0 # [KR] 카시미르 음의 필드 압력 최소 하한 제약선 / [EN] Minimum lower bound limit of negative Casimir field pressure

💡 [v6.3 추가] 카시미르 분모 제로 폭발 방지 및 복합 정밀도(AMP) 언더플로우 제어용 구조적 안전 마진 상수

💡 [v6.3 Added] Structural safety margin constant to prevent denominator zero-explosion and control automatic mixed precision (AMP) underflow

CASIMIR_MARGIN: float = 1e-2 # [KR] 4제곱 연산 후 1e-8 영역 수렴을 방어하는 하한 마진선 # [EN] Lower bound margin defending against convergence to the 1e-8 region after power-of-4 operations

💡 [무결성] 역전파 NaN 폭발 방지용 미세 상수 (FP16/AMP 환경 고려 시 1e-7 ~ 1e-6 권장)

💡 [Integrity] Fine constant to prevent backpropagation NaN explosion (1e-7 to 1e-6 recommended for FP16/AMP environments)

EPSILON: float = 1e-7

-------------------------------------------------------------------------

고차원 위상 기하학적 결합 손실 함수 가중치 (Topological Loss Hyperparameters)

-------------------------------------------------------------------------

LAMBDA_CURVATURE: float = 0.1 # [KR] 곡률 정렬 손실 가중치 (\lambda_1) / [EN] Curvature alignment weight (\lambda_1)

LAMBDA_CASIMIR: float = 0.05 # [KR] 카시미르 정보 엔트로피 손실 가중치 (\lambda_2) / [EN] Casimir informational entropy weight (\lambda_2)

💡 [v6.0 진화] 하드 클램프의 데드존을 파괴하는 소프트 측지선 호의 길이 손실 가중치 지정

💡 [v6.0 Evolved] Soft geodesic arc length loss weight crushing the gradient dead-zone of hard clamping

LAMBDA_GEODESIC: float = 0.1 # [KR] 리만 다양체 소프트 측지선 손실 가중치 (\lambda_3) / [EN] Riemannian manifold soft geodesic weight (\lambda_3)

class IndependentTopologyGenerator:

"""

[KR] 고정 위상 기하학 매니폴드(Sphere & Torus) 앵커 생성기 (v6.1 개선)

[EN] Fixed topological manifold (Sphere & Torus) anchor generator

"""

@staticmethod

def generate_sphere_anchor(dim: int, device: torch.device = torch.device('cpu')) -> torch.Tensor:

"""

[KR] F.normalize 연산 없이 L2 Norm = 1.0을 정밀하게 만족하는 구면 기저 생성

[EN] Generate a fixed spherical base weight satisfying L2 Norm = 1.0 with exact analytical scaling

"""

수학적 분석 결과: 모든 원소가 1 / sqrt(dim) 일 때 L2 Norm은 정확히 1.0이 됨

Analytical Result: The L2 Norm becomes exactly 1.0 when all elements are 1 / sqrt(dim)

val = 1.0 / math.sqrt(dim)

return torch.full((dim,), fill_value=val, device=device, dtype=torch.float32)

@staticmethod

def generate_torus_anchor(dim: int, device: torch.device = torch.device('cpu')) -> torch.Tensor:

"""

[KR] 경계 중복을 제거하여 완벽히 균일한 독립 위상 고리를 구성하는 진정한 토러스 사상

[EN] True torus mapping using endpoint-free split dimensions for perfectly uniform topological rings

"""

if dim % 2 != 0:

raise ValueError("Torus 매핑을 위해 차원은 반드시 짝수여야 합니다. (Dimension must be even for torus mapping.)")

half_dim = dim // 2

💡 위상학적 무결성: 0과 2*pi의 중복 매핑을 방지하기 위해 마지막 단계를 배제한 등간격 격자 생성

💡 Topological Integrity: Generate an endpoint-free equidistant grid to prevent redundant mapping of 0 and 2*pi

t = torch.arange(0, half_dim, device=device, dtype=torch.float32) * (2.0 * math.pi / half_dim)

torus_vector = torch.cat([torch.cos(t), torch.sin(t)], dim=0)

return F.normalize(torus_vector, p=2, dim=0, eps=AdaptiveTopologyConfig.EPSILON)

class AdvancedTopologicalLoss(nn.Module):

"""

[KR] 고차원 위상 기하 구조 보존 및 Smooth Leaky 가드레일이 통합된 3요소 결합 손실 함수 (v6.3 진화)

[EN] 3-factor joint loss function with integrated high-dimensional topological preservation and smooth leaky guardrails (v6.3 Evolved)

"""

def init(self):

super().init()

self.l1 = AdaptiveTopologyConfig.LAMBDA_CURVATURE

self.l2 = AdaptiveTopologyConfig.LAMBDA_CASIMIR

self.l3 = AdaptiveTopologyConfig.LAMBDA_GEODESIC

self.eps = AdaptiveTopologyConfig.EPSILON

def _soft_clamp(self, x: torch.Tensor) -> torch.Tensor:

"""

[KR] 경계 영역 그레디언트 사멸을 방지하는 Smooth Leaky 가이드레일 (v6.3 수식 구현)

[EN] Smooth Leaky guardrails preventing gradient vanishing in boundary zones (v6.3 Formula Implementation)

"""

bound = 1.0 - self.eps

margin = 0.95 # 유사도 0.95 미만 구간은 수식 왜곡 없이 완전 선형 유지 # Preserves absolute linearity without formulaic distortion for intervals with similarity below 0.95

💡 [v6.3 핵심 개정] 임계점 바깥에서도 미세한 기울기(0.01)를 부여하여 복원 그레디언트를 영구 보존

💡 [v6.3 Core Revision] Permanently preserves restoration gradients by injecting a fine slope (0.01) even outside the critical threshold

leaky_slope = 0.01

leaky_cos = torch.where(

torch.abs(x) Tuple[torch.Tensor, Dict[str, float]]:

====================================================================

1. 곡률 정렬 손실 (L_Curvature): 입력 곡률과 가중치 구조 유사도 동기화

1. Curvature Alignment Loss (L_Curvature): Synchronizing input curvature with weight structural similarity

====================================================================

input_curvature = metrics['cosine_similarity']

weight_curvature = metrics['gate_score']

[치명적 버그 선제 방어] 두 텐서 간의 차원 불일치로 인한 의도치 않은 브로드캐스팅([B, 1] vs [B])을 일렬 평탄화로 완전 차단

[Proactive Defense Against Fatal Bug] Completely blocks unintended broadcasting ([B, 1] vs [B]) caused by dimension mismatch via 1D flattening

l_curvature = F.mse_loss(weight_curvature.view(-1), input_curvature.view(-1))

====================================================================

2. 카시미르 엔트로피 손실 (L_CasimirEntropy): 고속 log_softmax 기반 확률 붕괴 차단

2. Casimir Entropy Loss (L_CasimirEntropy): Blocking probability collapse based on high-speed log_softmax

====================================================================

log_transmission_prob = F.log_softmax(metrics['transmission_rate'], dim=-1)

transmission_prob = torch.exp(log_transmission_prob)

entropy = -torch.sum(transmission_prob * log_transmission_prob, dim=-1)

l_casimir_entropy = -torch.mean(entropy)

====================================================================

3. 지오데식 정규화 (L_Geodesic): 왜곡 없는 소프트 가드레일 기반 호의 길이 연산

3. Geodesic Regularization (L_Geodesic): Distortion-free arc length calculation based on soft guardrails

====================================================================

normalized_topology = F.normalize(morphed_topology, p=2, dim=-1, eps=self.eps)

cos_sim = F.cosine_similarity(conserved_weights, normalized_topology, dim=-1, eps=self.eps)

개선된 2중 Leaky 가이드레일 장착: 중심부 지오데식 거리는 완벽 보존하면서 경계면 그레디언트 약화 차단

Equipped with Enhanced Dual Leaky Guardrails: Perfectly preserves central geodesic distance while preventing gradient attenuation near boundaries

clamped_cos = self._soft_clamp(cos_sim)

geodesic_distance = torch.acos(clamped_cos)

l_geodesic = torch.mean(geodesic_distance)

====================================================================

4. 종합 위상 손실 컴파일 및 그래디언트 흐름 보호 (v6.4 호스트 동기화 파괴 패치)

4. Comprehensive Topological Loss Compilation & Gradient Flow Protection

====================================================================

total_topological_loss = (self.l1 * l_curvature) + (self.l2 * l_casimir_entropy) + (self.l3 * l_geodesic)

💡 [v6.4 최적화] .item()을 제거하고 .detach() 텐서 그대로 바인딩하여 호스트-디바이스 간 Blocking 병목 원천 박멸

💡 [v6.4 Optimized] Removes .item() and binds .detach() tensors directly, thoroughly eradicating host-device blocking bottlenecks

loss_artifacts = {

"l_topological_total": total_topological_loss.detach(),

"l_curvature": l_curvature.detach(),

"l_casimir_entropy": l_casimir_entropy.detach(),

"l_geodesic": l_geodesic.detach()

}

return total_topological_loss, loss_artifacts

class ParameterizedTopologyGate(nn.Module):

"""

[KR] alpha와 eta를 최적화 가능한 nn.Parameter로 등록하여 제어하는 적응형 게이트 (v6.3 진화)

[EN] Adaptive gate controlling alpha and eta as optimizable nn.Parameters

"""

def init(self):

super().init()

명시적인 float 텐서 선언으로 다양한 가속기(GPU/NPU/TPU) 환경에서 빌드 무결성 확보

self.alpha = nn.Parameter(torch.tensor(AdaptiveTopologyConfig.INIT_SMOOTH_ALPHA, dtype=torch.float32))

self.raw_eta = nn.Parameter(torch.tensor(AdaptiveTopologyConfig.INIT_THRESHOLD_ETA, dtype=torch.float32))

def forward(sel

[truncated for AI cost control]