Akira Hirose 研究室
主宰者：Akira Hirose
東京大学
AI 要約（直近 5 年の研究成果）
本研究室は、磁性薄膜の波動現象と四元数（スカラー＋三次元ベクトルで数値を表現する数学体系）を活用した情報処理技術に関する研究を進めています。特に磁場中での波動の時空的な振る舞いを制御し、それを計算処理に応用する取り組みが中心となっています。磁場の角度を調整することで複数の波動モードを同時に励起させて情報保持能力を高める方法や、波動現象の物理的性質を活かして計算機能を実現する仕組みについて研究しています。
また本研究室は、マイクロ波や電波を用いた遠隔観測データ（レーダーデータなど）の解析手法の開発に注力しています。四元数の数学的性質を利用して、偏波情報（電波の振動状態）を効率的に処理する信号処理アルゴリズムを提案しており、土地被覆分類や災害検出といった応用を実現しています。さらに時系列の信号パターンから物体の運動を識別する技術も開発しており、パーキンソン病患者の歩行状態を無線信号で非接触に監視するシステムなど、医療や環境モニタリングへの活用も進めています。これらの研究を通じて、複雑な現象を効率的に分析・予測するための基礎技術を構築しています。
※ AI（Claude）が、公開されている論文要旨から研究の問い・手法・主要な発見を事実情報として抽出・再構成して自動生成しています。誤りを含む可能性があるため、正確性は研究室公式情報でご確認ください。
外部リンク
関連研究室(8 件)
- 材料科学Naoya Shibata 研究室東京大学論文 100 件·共通: 材料, 工学, 材料工学, 磁性 +6
- 生化学・分子生物学・遺伝学Takashi Takahashi 研究室東北大学論文 10 件·共通: 医学・健康科学, 制御, 工学, 機械・ロボティクス +5
- 物理学・天文学P. Jackson 研究室東京大学論文 13 件·共通: 物理学, 数学, 材料, 工学 +2
- 生化学・分子生物学・遺伝学Takamasa Sakai 研究室東京大学論文 60 件·共通: 制御, 工学, 機械・ロボティクス, 機械工学 +3
- 薬学・薬理学Yoshihiro Kobayashi 研究室早稲田大学論文 25 件·共通: 材料, 工学, 材料工学, 制御 +3
- 生化学・分子生物学・遺伝学Shinji Takeoka 研究室早稲田大学論文 25 件·共通: 材料, 工学, 材料工学, 制御 +3
- 生化学・分子生物学・遺伝学Toyoki Kunitake 研究室九州大学論文 3 件·共通: 材料, 工学, 材料工学, 制御 +3
- 医学Yutaka Suzuki 研究室東京大学論文 100 件·共通: 制御, 工学, 機械・ロボティクス, 機械工学 +1
研究成果（164 件）
- DOI: https://doi.org/10.1139/cjc-2024-0114
- DOI: https://doi.org/10.1109/igarss55030.2025.11242514
- DOI: https://doi.org/10.1109/embc58623.2025.11254235
- DOI: https://doi.org/10.1109/ijcnn64981.2025.11228033
- DOI: https://doi.org/10.29363/nanoge.neuronics.2025.017
- DOI: https://doi.org/10.29363/nanoge.neuronics.2025.040
- DOI: https://doi.org/10.1139/cjc-2024-0114
- DOI: https://doi.org/10.1109/embc58623.2025.11254235
- DOI: https://doi.org/10.1109/ijcnn64981.2025.11228033
- DOI: https://doi.org/10.29363/nanoge.neuronics.2025.017
続きを表示（残り 154 件）閉じる
- DOI: https://doi.org/10.29363/nanoge.neuronics.2025.040
- DOI: https://doi.org/10.1103/physrevresearch.7.013310
- DOI: https://doi.org/10.1103/physrevapplied.23.034045
- DOI: https://doi.org/10.1109/igarss55030.2025.11243844
- DOI: https://doi.org/10.1177/19345798251315387
- [2025] Degree-of-Polarization-Based Radio Frequency Interference Detection for Synthetic Aperture RadarDOI: https://doi.org/10.1109/tgrs.2025.3570493
- DOI: https://doi.org/10.1103/physrevapplied.23.034045
- DOI: https://doi.org/10.1103/physrevresearch.7.013310
- DOI: https://doi.org/10.1177/19345798251315387
- [2025] Degree-of-Polarization-Based Radio Frequency Interference Detection for Synthetic Aperture RadarDOI: https://doi.org/10.1109/tgrs.2025.3570493
- DOI: https://doi.org/10.1109/igarss55030.2025.11242840
- DOI: https://doi.org/10.1109/lgrs.2025.3633588
- DOI: https://doi.org/10.1109/jstars.2025.3631900
- DOI: https://doi.org/10.1109/igarss55030.2025.11242840
- DOI: https://doi.org/10.1109/igarss55030.2025.11243844
- DOI: https://doi.org/10.1109/igarss55030.2025.11242514
- DOI: https://doi.org/10.1109/lgrs.2024.3359008
- DOI: https://doi.org/10.1109/tgrs.2024.3454766
- DOI: https://doi.org/10.1021/jacs.4c01589
- DOI: https://doi.org/10.1109/msp.2024.3384179
- DOI: https://doi.org/10.1109/ijcnn60899.2024.10650441
- DOI: https://doi.org/10.1109/ijcnn60899.2024.10650795
- [2024] Complex-Valued Neural-Network Inverse Mapping for Explainability in PolSAR/InSAR ApplicationsDOI: https://doi.org/10.1109/igarss53475.2024.10640643
- DOI: https://doi.org/10.1109/igarss53475.2024.10641242
- DOI: https://doi.org/10.1109/ijcnn60899.2024.10650441
- DOI: https://doi.org/10.1109/ijcnn60899.2024.10650795
- [2024] Complex-Valued Neural-Network Inverse Mapping for Explainability in PolSAR/InSAR ApplicationsDOI: https://doi.org/10.1109/igarss53475.2024.10640643
- DOI: https://doi.org/10.1109/igarss53475.2024.10640790
- DOI: https://doi.org/10.1109/igarss53475.2024.10642919
- DOI: https://doi.org/10.1109/igarss53475.2024.10641242
- DOI: https://doi.org/10.1109/mci.2024.3446088
- DOI: https://doi.org/10.1109/igarss53475.2024.10642919
- DOI: https://doi.org/10.1109/icetci62771.2024.10704178
- DOI: https://doi.org/10.1109/icetci62771.2024.10704178
- DOI: https://doi.org/10.1109/embc53108.2024.10782069
- DOI: https://doi.org/10.1109/embc53108.2024.10782069
- DOI: https://doi.org/10.1109/igarss53475.2024.10641712
- DOI: https://doi.org/10.1109/igarss53475.2024.10641712
- DOI: https://doi.org/10.1109/mci.2024.3446088
- DOI: https://doi.org/10.1109/igarss53475.2024.10640790
- DOI: https://doi.org/10.1109/tmlcn.2024.3485521
- DOI: https://doi.org/10.1109/jstars.2024.3454789
- DOI: https://doi.org/10.23919/ursigass57860.2023.10265629
- DOI: https://doi.org/10.23919/ursigass57860.2023.10265570
- DOI: https://doi.org/10.23919/ursigass57860.2023.10265646
- DOI: https://doi.org/10.23919/ursigass57860.2023.10265646
- DOI: https://doi.org/10.1109/igarss52108.2023.10281938
- DOI: https://doi.org/10.1109/icetci58599.2023.10331137
- DOI: https://doi.org/10.1109/embc40787.2023.10341131
- DOI: https://doi.org/10.1109/embc40787.2023.10341131
- DOI: https://doi.org/10.1109/igarss52108.2023.10281436
- [2023] Extending Observation Coverage of SAR by Separating Range Ambiguous Signals Using PN-sequencesDOI: https://doi.org/10.1109/igarss52108.2023.10283336
- [2023] Extending Observation Coverage of SAR by Separating Range Ambiguous Signals Using PN-sequencesDOI: https://doi.org/10.1109/igarss52108.2023.10283336
- DOI: https://doi.org/10.1109/igarss52108.2023.10282723
- DOI: https://doi.org/10.1109/igarss52108.2023.10282723
- DOI: https://doi.org/10.1109/igarss52108.2023.10281784
- DOI: https://doi.org/10.1109/igarss52108.2023.10282317
- DOI: https://doi.org/10.1109/igarss52108.2023.10282066
- DOI: https://doi.org/10.1109/icetci58599.2023.10331315
- DOI: https://doi.org/10.23919/ursigass57860.2023.10265629
- DOI: https://doi.org/10.1587/nolta.15.183
- DOI: https://doi.org/10.1109/apsar58496.2023.10388713
- DOI: https://doi.org/10.1109/apsar58496.2023.10388523
- DOI: https://doi.org/10.1109/apsar58496.2023.10388723
- DOI: https://doi.org/10.1109/icetci58599.2023.10331137
- DOI: https://doi.org/10.1109/igarss52108.2023.10281784
- DOI: https://doi.org/10.1109/igarss52108.2023.10282317
- DOI: https://doi.org/10.1109/igarss52108.2023.10282066
- DOI: https://doi.org/10.1109/igarss52108.2023.10281938
- DOI: https://doi.org/10.1109/tnnls.2023.3291702
- DOI: https://doi.org/10.1109/ijcnn54540.2023.10191214
- DOI: https://doi.org/10.1109/tnnls.2023.3291702
- DOI: https://doi.org/10.1109/ijcnn54540.2023.10191214
- DOI: https://doi.org/10.1109/ijcnn54540.2023.10191220
- DOI: https://doi.org/10.1103/physrevapplied.19.034047
- [2023] Program CommitteeDOI: https://doi.org/10.1109/migars57353.2023.10064504
- DOI: https://doi.org/10.1109/jstars.2023.3308049
- DOI: https://doi.org/10.1109/ijcnn54540.2023.10191220
- DOI: https://doi.org/10.1109/ijcnn54540.2023.10191175
- DOI: https://doi.org/10.1587/transfun.2022eap1092
- DOI: https://doi.org/10.1103/physrevapplied.19.034047
- [2023] Program CommitteeDOI: https://doi.org/10.1109/migars57353.2023.10064504
- DOI: https://doi.org/10.1109/jstars.2023.3247788
- DOI: https://doi.org/10.1109/jstars.2023.3308049
- DOI: https://doi.org/10.1109/trs.2023.3259326
- DOI: https://doi.org/10.1109/tgrs.2023.3293868
- DOI: https://doi.org/10.1299/jsmeicone.2023.30.1099
- DOI: https://doi.org/10.1109/trs.2023.3259326
- DOI: https://doi.org/10.1299/jsmeicone.2023.30.1099
- DOI: https://doi.org/10.1142/s0218127422501413
- DOI: https://doi.org/10.1080/02713683.2022.2140438
- DOI: https://doi.org/10.1080/02713683.2022.2140438
- DOI: https://doi.org/10.1109/icetci55171.2022.9921365
- DOI: https://doi.org/10.1109/icetci55171.2022.9921380
- DOI: https://doi.org/10.1109/ijcnn55064.2022.9892365
- DOI: https://doi.org/10.1063/5.0102974
- DOI: https://doi.org/10.1109/icetci55171.2022.9921365
- DOI: https://doi.org/10.1109/icetci55171.2022.9921380
- DOI: https://doi.org/10.1109/ijcnn55064.2022.9892805
- DOI: https://doi.org/10.1109/ijcnn55064.2022.9892365
- [2022] Predicting polarization state based on quaternion neural networks to facilitate channel predictionDOI: https://doi.org/10.1109/ijcnn55064.2022.9892509
- DOI: https://doi.org/10.1109/igarss46834.2022.9884409
- DOI: https://doi.org/10.1109/tgrs.2022.3186727
- DOI: https://doi.org/10.1109/igarss46834.2022.9883786
- DOI: https://doi.org/10.1109/igarss46834.2022.9883656
- [2022] Proposal of PolSAR Land Classification Using Full-Learning Quaternion Convolutional Neural NetworksDOI: https://doi.org/10.1109/igarss46834.2022.9883874
- DOI: https://doi.org/10.1109/igarss46834.2022.9883656
- DOI: https://doi.org/10.1109/igarss46834.2022.9883827
- DOI: https://doi.org/10.1109/igarss46834.2022.9883827
- DOI: https://doi.org/10.1109/igarss46834.2022.9884409
- DOI: https://doi.org/10.1109/igarss46834.2022.9883786
- [2022] Predicting polarization state based on quaternion neural networks to facilitate channel predictionDOI: https://doi.org/10.1109/ijcnn55064.2022.9892509
- DOI: https://doi.org/10.23919/usnc-ursi52669.2022.9887445
- DOI: https://doi.org/10.1142/s0218127422501413
- DOI: https://doi.org/10.1109/access.2022.3184788
- DOI: https://doi.org/10.1109/jstars.2022.3164431
- DOI: https://doi.org/10.1109/jstars.2022.3164431
- [2021] Spatial resolution of complex-valued reservoir computing in aspect classification using InSAR dataDOI: https://doi.org/10.1109/apsar52370.2021.9688400
- DOI: https://doi.org/10.1109/embc46164.2021.9630656
- DOI: https://doi.org/10.1109/apsar52370.2021.9688438
- DOI: https://doi.org/10.1109/embc46164.2021.9630656
- DOI: https://doi.org/10.1109/icetci51973.2021.9574064
- DOI: https://doi.org/10.1109/tgrs.2020.3048542
- DOI: https://doi.org/10.1109/tgrs.2021.3052117
- DOI: https://doi.org/10.1021/jacs.1c06450
- DOI: https://doi.org/10.1109/igarss47720.2021.9553937
- DOI: https://doi.org/10.1109/igarss47720.2021.9554545
- DOI: https://doi.org/10.1021/jacs.1c06450
- DOI: https://doi.org/10.1109/igarss47720.2021.9553937
- DOI: https://doi.org/10.1109/igarss47720.2021.9554751
- DOI: https://doi.org/10.1109/igarss47720.2021.9554545
- DOI: https://doi.org/10.1587/transele.2021ecp5012
- DOI: https://doi.org/10.1109/tgrs.2021.3083436
- DOI: https://doi.org/10.1109/tgrs.2021.3075593
- DOI: https://doi.org/10.1109/tgrs.2021.3063894
- DOI: https://doi.org/10.1109/tgrs.2021.3065137
- DOI: https://doi.org/10.1109/tgrs.2021.3065137
- DOI: https://doi.org/10.1063/5.0021857
- DOI: https://doi.org/10.1109/tgrs.2020.3048542
- [2021] A Numerical Exploration of Signal Detector Arrangement in a Spin-Wave Reservoir Computing DeviceDOI: https://doi.org/10.1109/access.2021.3079583
- DOI: https://doi.org/10.1063/5.0021857
- [2021] A Numerical Exploration of Signal Detector Arrangement in a Spin-Wave Reservoir Computing DeviceDOI: https://doi.org/10.1109/access.2021.3079583
- DOI: https://doi.org/10.1109/jstars.2021.3102620
- DOI: https://doi.org/10.1109/tgrs.2021.3063894
- DOI: https://doi.org/10.1109/tgrs.2021.3083436
- DOI: https://doi.org/10.1109/apsar52370.2021.9688438
- DOI: https://doi.org/10.1587/transele.2021ecp5012
- DOI: https://doi.org/10.1109/icetci51973.2021.9574064
科研費（0 件）
まだデータがありません（KAKEN 取り込み後に表示）。
所属学会・役職（0 件）
まだデータがありません（学会データ連携後に表示）。