この記事は、一枚の地図です。
トポロジー・TQFT・圏論・形式検証・機械学習を、別々の山としてではなく、一つの地形として 眺めていただきます。
とりわけ、TQFTという主題は、物理・数学・計算機科学のちょうど交差点に位置するため、地図にする価値の高い対象です。
この記事は、架空の大学「圏峰（けんぽう）工科大学」の研究室を舞台にした、ひとつの対話篇です。
登場するのは、これまでの対話篇シリーズと同じ学部生（今回から、名前がタロウくんと判明します）と、圏論の応用（応用圏論）を専門とする若手専任講師のリサ先生のふたり。
専任講師は、これまでの男性の先生と別の人物です。圏論とTQFTとの接続については、これまでの専任講師の先生よりも、今回お出まし頂くリサ先生の方が適任だからです。
今回はもうひとり、TQFT を専門とする数理物理学者のミナさん（博士課程修了、ポスドク研究員）も、新しいキャラクターとして登場します。
人物や大学はフィクションですが、扱う中身（理論・論文・人物・歴史的事件）は、すべて実在する研究にもとづいています。出典は記事末にまとめました。
想定読者は、高校の数学はだいぶ忘れたけれど、毎日 Python のコードを読み書きしている機械学習エンジニア・データサイエンティスト・AI リサーチャー・LLM/AI Agent 開発者の皆様。圏論・位相幾何学・場の量子論をまったく学んだことがない方々です。
むずかしい言葉は、初めて出てくるところでかみくだいて説明します。数式が出てきても、読み飛ばして大丈夫なように書きました。コードは、読まれることを前提に書きました。
一方、本記事は、TQFT・圏論・位相幾何学・場の量子論・超弦理論・M理論の研究者の方々にも、お読みいただけるように執筆しました。専門用語は可能な限り正確に使い、学習ロードマップは本記事執筆者の能力の及ぶ範囲で、深いところまで提示しました。
研究者の皆様が、ご自身の研究テーマと AI との接続点を視界に入れる際の、ささやかな一助としてお役立ちできましたら、著者として大変光栄です。
数学的に厳密な議論を求められている方へ：
この記事は分かりやすさを優先したため、数学の専門家の視点からご一読いただいた場合、「より正確に書くべき」とお考えになられる箇所が見受けられるかもしれません。そうした点は、記事のいちばん最後に「専門書に進まれる方のために：数学的に厳密な議論に関する補遺」としてまとめて置かせていただいておりますので、あわせてご覧ください。
TL;DR ── この記事を読んで、Python 機械学習プログラマが得られること
この記事は、Topological Quantum Field Theory（TQFT、位相的場の理論） という、理論物理学と純粋数学の最深部にある領域を、Python 機械学習プログラマの視点から論じます。
「TQFT？ それは超弦理論の研究者のもので、自分には関係ない」
── そう思われた読者の方にも、この記事の表題である"Witten・Atiyah・Lurie から、数学・計算機科学・AI へ広がる知の地図"を受け取っていただけるように、この記事を書かせていただきました。
TQFT とは何か ── まず、ひとことで
位相的場の理論（TQFT：Topological Quantum Field Theory） とは何か？という問いに、ひとことで答えるとすると、「『空間のつながり方』を、『代数的な対象（ベクトル空間と線形写像）』に翻訳する数学のしくみ」 といったところです。
透明な図形（トーラスと管）が表す「空間のつながり方」を、格子が表す「代数的な対象（ベクトル空間と線形写像）」へ翻訳する ── それがTQFTのしくみで、中央の装置はその翻訳機（関手 Z）にあたります。
もう少しだけ、具体的にイメージしてみましょう。
高校の物理や数学では、「距離」や「角度」 といった細かい数字を計算します。
ところが、TQFT は、そうした 「長さ」や「曲がり具合」（数学用語では、計量（けいりょう）と呼びます）をいっさい使いません。
気にかけるのは、「穴がいくつあるか」「何本の管がどう枝分かれしているか」 という、ゴムのようにぐにゃぐにゃ変形させても変わらない性質（これを 位相 と言います）だけです。
左は「距離や角度をきっちり測る世界」、右は「ぐにゃぐにゃ変形させても変わらないもの（穴の数やつながり方）だけを見る世界」です。コーヒーカップとドーナツは、どちらも穴が１つ。TQFTが気にかけるのは、右の見方 ── 位相だけです。
では、この 「図形のつながり」 を、TQFT はどうやって 代数の世界 に乗せるのでしょうか。
空中に浮かぶ 「輪っか」 と、それらをつなぐ 「マカロニのような管（チューブ）」 を想像してください。
TQFTという翻訳機 を通すと、これらが次のように、代数の部品 に化けます。
- 「輪っか（入り口や出口の断面）」 は、「データの入れ物（ベクトル空間）」 になる。
- 「管（輪っか同士をつなぐ図形）」 は、そのデータを変換する「線形写像（行列）」 になる。
輪っか（上段の左）は「データの入れ物（ベクトル空間）」に、管（下段の左）は「データを変換する線形写像（行列）」に化けます。TQFTは、図形をこのように代数の部品へ翻訳します。
たとえば、２つの輪っかが合流して１つの輪っかになる 「ズボンのような形（Y字型の管）」 を考えます。
この「ズボンのような形」は、研究者たちは、「パンツ・オブ・パンツ（pair of pants）」 と呼んでいます。
脚が２本、胴が１つというズボンの形になぞらえた名前で、位相幾何学やTQFTでは、図形を組み立てるときの「最も基本的な部品」のひとつとして登場します。
これをTQFTの言葉に翻訳すると、「２つのデータ（ベクトル）を受け取って、１つのデータにまとめて出力する線形写像（行列）」 になるのです。
図形の世界で管をつなぎ合わせる操作は、代数の世界では「対応する線形写像を合成する（行列を掛け算する）」ことにぴたりと一致します。
この 「図形をつなぐ ＝ 行列を掛ける」という対応 こそが核心で、数学の専門用語では、図形の圏からベクトル空間の圏への 「関手（かんしゅ）」 と呼びます。
どんなに複雑な図形も、単純な部品に分解して線形写像の合成に落とし込めば計算できる
── これが、 TQFTが数学として、威力を発揮するところです。
なお、関手を含む圏論の言葉（対象・射・関手・自然変換など）については、以下の記事で、家族やご近所の関係になぞらえてやさしく解説しています。本記事に登場する圏論の用語につまずいたら、参考にされてください。
いつの時代に、なぜ物理学で生まれたのか
ところで、そもそも、なぜこのような、「距離を無視する理論」 が、物理学で 必要になったのでしょうか。
TQFTが産声を上げたのは、 1980年代後半 です。
TQFT が誕生する前までは、素粒子を扱う「場の量子論」は本来、空間の計量（距離や角度の構造）に依存する理論でした。
しかし、物理学者の エドワード・ウィッテン は、「計量への依存を完全に捨て去り、純粋な『つながり方』だけで決まる量子論 を作れないか」と考えたのです。
彼の動機のひとつは、数学の難問だった 「結び目」の謎を、物理の言葉で解き明かすこと でした。
ここでいう 「結び目」 とは、ひもの両端をつないで輪にしたものの絡まり方のこと です。
数学では、ひもをぐにゃぐにゃ動かして（切ったりはせずに）、ある結び目と、別の結び目が同じものに移し替えられるか、それとも両者は本質的に異なる絡まり方をしているのか を見分けることが、長年の難問でした。
じつはこれも、さきほどの 「位相」の話の仲間 です。
彼は、3次元の チャーン–サイモンズ理論（計量に依存しない、位相的な場の理論の代表例）を用いて、結び目を分類する数学の不変量 「ジョーンズ多項式」 が、物理の経路積分から自然に導けること を示してみせます（数学的に厳密な構成は、のちに Reshetikhin–Turaev らによって与えられました）。
この業績により、ウィッテンは 物理学者として史上初のフィールズ賞（数学界の最高賞、1990年）を受賞します。
ところで、「ひもの絡まり方を見分けるなんて、見ればすぐ分かるのでは？」と思われるかもしれません。
ところが、複雑に絡まった２つの結び目が、ぐにゃぐにゃ動かすだけで一致する「同じ結び目」なのか、どう動かしても重ならない「別の結び目」なのかを確実に判定する のは、容易ではありません。
だからこそ、「絡まり方そのものを数式で表して、機械的に見分けられないか」という問いが、長く追い求められてきた のです。
そもそも、なぜこれが数学の問題になったのでしょうか？
きっかけは、意外にも物理学でした。
１９世紀の後半、ケルヴィン卿は、「原子とは、空間に満ちた媒質にできた結び目状の渦ではないか」という仮説を唱えます。
これを受けて、物理学者のテイトらが、「では、どんな結び目があり得るのか」を全部書き出して分類しようと試みました。
この原子モデルは、のちに誤りだったと分かります。
けれども、「結び目をすべて分類する」という問いだけは、物理を離れて、純粋数学（位相幾何学）の中の独立した難問として生き残り、育っていきました。
どう動かしても変わらない「位相」の量で結び目を見分けようとする ── まさに、さきほどの位相の話の仲間です。
そして、この問いは、純粋数学の中だけにとどまりませんでした。
ＤＮＡがどのように絡まっていて、どうやったらその絡まりをゆるめて、ほどいていくことができるのか（分子生物学）、長い高分子がどう結ばれてからまるか（化学）、といった現実の現象を読み解くうえでも、結び目を見分ける数学は、いまや欠かせない道具になっています。
TQFTは、どう役立っているのか
「図形のつながり方を、ノイズに強い 線形写像（テンソル）の世界へ翻訳する」
── この見晴らしのよさに気づいた数学者の マイケル・アティヤ は、1988年、そのルールを たった数行の美しい定義（公理） にまとめ上げました。
マイケル・アティヤ は、1988年、そのルールを たった数行の美しい定義（公理） にまとめ上げました。現代的な言葉で一行に要約すれば、「TQFT とは、（コボルディズムの）圏からベクトル空間の圏への、対称モノイダル関手である」 となります。
- M. Atiyah, Topological quantum field theories, Publications Mathématiques de l'IHÉS, 69 (1989), 175–186.
ここで出てきた 「コボルディズム」 とは、ひとことで言えば、ある図形と別の図形を「つなぐ」一段高い次元の図形 のことです。
たとえば、さきほどの「２つの輪っかを、１つの輪っかへつなぐズボン型の管」
── あれが、まさにコボルディズムの一例 です。
入口の図形（２つの円）と、出口の図形（１つの円）を、あいだの曲面（管）でつないで います。
「入口の図形 → 出口の図形」を、あいだの図形でつなぐ
── この**「つなぎ」そのもの** を、TQFTは線形写像（行列）へ翻訳します。
コボルディズム については、このあとの第３幕で、あらためて詳しく取り上げます。
「ノイズに強い」とは？
ここでいう「ノイズに強い」は、図形を多少ぐにゃぐにゃ変形させても、TQFT が返す行列（線形写像）は変わらない、という意味です。TQFT は距離や角度（計量）を見ず、「つながり方（位相）」だけを見るので、形が少々歪んでも答えが揺るがない のです。
たとえるなら、住所を「東経○度・北緯○度」とミリ単位で測るのではなく、「○○線で△駅から3つ目」と、路線のつながりで指定する ようなものです。
多少地図がたわんでいても、駅の 順序さえ同じならば、 目的地は変わりません。
この「細部に左右されない頑丈さ」が、後で出てくる量子コンピュータの「エラーに強い 計算」にもつながっていきます。
「計量を無視できる（少々の変形では性質が変わらない）」という位相の発想は、物理学でも極めて強力な武器になります。
なぜなら、「多少のノイズや不純物があっても、全体としての性質が壊れにくい」 ことを意味するからです。この "位相による頑健性" の考え方は、いま次のような最先端領域と深くつながっています。
-
物性物理学（トポロジカル物質）
内部は電気を通さないのに、表面だけはノイズの影響を受けにくい形で電気を流す「トポロジカル絶縁体」などの新素材。その分類理論は、TQFT と同じ「位相による頑健性」の発想を共有しています（直接の土台はバンド理論やトポロジカル不変量ですが、場の理論的な記述とも結びついています）。
-
トポロジカル量子計算（量子コンピュータ）
マイクロソフトなどが投資している方式です。エニオンと呼ばれる準粒子を空間内で互いに編む（ブレイディングする） と、その軌跡が組み紐（結び目）をなし、それが計算のステップになります。組み紐の「編み方」は少し揺らした程度ではほどけないため、本質的にエラーが起きにくい量子計算の基盤理論として期待されています。
AIと計算機科学へと広がる地図
「図形のつながりを、ノイズに強い線形写像（テンソル）の世界へ翻訳する」
── この見晴らしのよさに気づいた数学者の マイケル・アティヤ は、1988年、そのルールを たった数行の美しい定義（公理） にまとめ上げました。
「TQFT とは、図形の圏からベクトル空間の圏への関手である」という、あの一行です。
そして現在。
TQFTそのものがディープラーニングに直接使われているわけではありません。
けれども、TQFT が体現する 「つながりを代数へ翻訳する」「位相で頑健に捉える」という発想は、その土台を共有するいくつかの分野
── 位相的データ解析（TDA）、ニューラルネットの圏論的な定式化、そして形式検証
── を通じて、ディープラーニングの構造を分析したり、AI の性質を数学的に扱おうとする試み
へと、静かに流れ込みつつあります。
この記事は、その「地図」を一枚に広げてみる試み でもあります。
TQFTという源流（トーラス）から流れ出した「つながりを代数へ翻訳する」「位相で頑健に捉える」という発想は、３つの支流 ── 位相的データ解析（TDA）、圏論的な定式化、形式検証 ── を通って、ディープラーニング／AIの世界（格子状のネットワーク）へと、静かに流れ込んでいきます。
この記事の射程 ── 何を狙い、何を狙わないか
本記事は、位相的場の理論（TQFT） を網羅的に概説する教科書ではありません。
また、TQFT から派生する応用分野（ 位相的データ解析（TDA）・量子機械学習（QML）・AI の安全性（AI Safety） など）の最新動向をまとめた解説記事でもありません。
この記事が掲げる目的は、TQFT を中心に据えて、そこから数学・計算機科学・AI へと広がる「概念のつながり」を、一本の歴史的・概念的な道として俯瞰することです。
そのため、厳密な専門解説を期待する数学者にも、AIへの応用だけを求めるエンジニアにも、最初に「この記事の守備範囲」をお伝えしておきます。
記事の後半で、 HoTT や AI Safety に話が及んでも、それは脱線ではなく、最初に予告した道の一部ということになります。
本記事で追いかける4つのテーマ
テーマ１： TQFT そのもの
── Witten の1988年の革命、Atiyah による公理化、コボルディズム、Frobenius 代数、コボルディズム仮説（Cobordism Hypothesis）。
なお、この３人が果たした役割は、それぞれ異なります。
Witten ＝ 物理からの革命
Atiyah ＝ 数学的な公理化
Lurie ＝ 高次圏による分類
TQFTを築いた３人は、それぞれ異なる役割を、時代を追って果たしました
── Witten（1988）が物理から革命を起こし、Atiyah（1988）がそれを数学的な公理にまとめ、Lurie（2009）が高次圏の言葉であらゆる次元へと分類を広げました。
テーマ２：TQFT が数学へ与えた影響
── Jones 多項式、圏論、高次圏、Homotopy Type Theory（HoTT）。
テーマ３：TQFT と計算機科学
── Haskell・Idris・Lean などの型システムと形式検証。
テーマ４：TQFT と AI の未来
── TDA、Topological Deep Learning、Quantum Machine Learning、AI Safety。
全体としては、TQFT → 数学 → 計算機科学 → AI という一本の流れをたどる長編ガイドです。
この記事は、TQFTを起点に、数学、計算機科学、AIへと、一本の道 をたどります。
TQFTそのもの（テーマ１）から、数学への影響（テーマ２）、計算機科学との接続（テーマ３）、そしてAIの未来（テーマ４）へと、４つのテーマがこの順につながっていきます。
姉妹編 Zenn Book のご案内：
テーマ２（圏論・HoTT）の 基礎（圏・関手・Curry–Howard–Lambek 対応・HoTT など）と、テーマ3（形式検証）は、すでに公開済みの姉妹編 Zenn Book『論理学から AI Safety へ ── 圏論・Gödel・HoTT がつなぐ知の地図』で、８つのプログラミング言語の実装とともに詳しく解説しています。
この記事では、それらの基礎は Zenn Book に譲り、必要に応じて言及するにとどめます。
ただし、テーマ2のなかでも 「高次圏」、そして「TQFT と高次圏の関係」（記事末の「登山マップ」でいう、踏み込むほど豊かになる奥地）は、Zenn Book では扱っていません。
本記事は、第６幕を読み進めるのに必要な範囲で要点を示し、本格的な深掘り解説は、続編記事『TQFT × 高次圏 × HoTT』 に譲ります。実は、その Zenn Book 自身が「TQFT と高次圏のつながりは、日を改めて書く」と予告しており、本記事と続編は、その約束への回答編でもあります。
主張の成熟度のスコア表示 ── 「事実」と「期待」を区別するために
この記事の主張内容には、数学・物理の理論として確立された主張から、まだ学会で研究が進行中であり、定説や確立された見解に収束していない領域と、この記事の執筆者による将来に対する予想（見通し）が混在しています。
読者の方が「どこまでが学術的に学会でコンセンサスが得られている確立された理論で、どこからが、まだ仮説であったり、この記事の筆者の予想なのか」を見分けられるよう、各章の冒頭に、次の５段階の主張の学問上の成熟度のスコアラベルを付けます。
★★★★★ … 定理（証明済み）
★★★★☆ … 専門家に広く受容されている
★★★☆☆ … 活発に研究されている領域
★★☆☆☆ … 有望だが、まだ仮説の段階
★☆☆☆☆ … 著者の見解・将来予想を含む
想定読者と、本記事の射程
本記事は、２つの異なる読者を、同時に対象としています。
読者層１: Python 機械学習プログラマの方々（高校数学を忘れてしまった方を含む）
毎日 PyTorch、TensorFlow、scikit-learn でコードを書いている、機械学習エンジニア、データサイエンティスト、AI リサーチャー、LLM・AI Agent 開発者。
圏論、位相幾何学、場の量子論を、まったく学んだことがない。
けれども、「自分の仕事の延長線上に、こんな深い世界がある」こと に対するご関心・知的好奇心をお寄せになられている方々。
読者層２: 数理科学の研究者
圏論、位相幾何学、場の量子論、超弦理論、$M$ 理論の専門研究者の方々。
TQFT を日常的に研究しているか、少なくとも Witten、Atiyah、Lurie の論文を読んでいる方々。
この記事を通じて、自分の研究と AI（LLM、AI Agent、機械学習）の接続点を、再確認したい方々。
登場人物 ── 圏峰工科大学の研究室
リサ先生（若手専任講師、応用圏論が専門）: 本記事から初登場の、主たる案内役。
タロウくん（学部生、Python 機械学習を毎日書いている）: 読者の代弁者として、素朴な疑問を投げかける。
ミナさん（新登場、ポスドク研究員、数理物理学・TQFT 専門）: プリンストン高等研究所での研究経験。Witten・Atiyah の論文を読み込んだ、若手専門家。
序章（第０章） ── TQFT が生まれた瞬間
TQFT が数学の表舞台に現れたのは、1988年のことです。
なぜ1988年だったのでしょうか？
── この問い を紐解いていくと、物理と数学が交差する、一つの必然 が見えてきます。
（成熟度：★★★★★ 確立した数学史）
TQFT を学ぶ前に、ひとつだけ、歴史の話をさせてください。
なぜ、1988年という年に、Witten の仕事が数学史を変えたのか。
そのことの「必然性」 を知ると、これから登る山の高さが、違って見えてきます。
1980年代の半ば、いくつもの大きな川が、ひとつの河口に向かって流れ込んでいました。
第１の川：Atiyah-Singer の指数定理（1963）。
解析（微分方程式の解の個数）と、トポロジー（図形の形）が、一本の等式で結ばれることが示されていました。これは「解析 ⇄ 幾何」をつなぐ、最初の巨大な橋でした。
第２の川：超対称性（1982）。
Witten は、物理学の「超対称性」という考え方を使って、この指数定理を物理的に“再発見”してみせます（『Supersymmetry and Morse Theory』）。数学者が解析的に証明した定理を、物理学者が場の理論の言葉で語り直せる ── この瞬間に、「物理の言葉で数学を書く」という路線が、本物だと分かったのです。
第３の川：Donaldson の4次元革命（1983）。
ゲージ理論（物理）を使って、４次元多様体という、それまで手のつけられなかった図形の世界が切り拓かれました。
第４の川：Jones 多項式（1984）。
作用素環論から、結び目を区別する新しい不変量が生まれます（Vaughan Jones は1990年フィールズ賞）。
なぜそんなものが存在するのか、当時は誰にも分かりませんでした。
そして1988年、Witten が、これらの川を一つの河口で合流させます。
「これらはすべて、場の量子論の言葉で書ける」 と。
1980年代に別々に流れていた４本の川 ── 指数定理・超対称性・４次元多様体・結び目 ── は、1988年、Wittenによって「場の量子論」という一つの河口で合流しました。
これが、TQFTが生まれた瞬間です。
Donaldson不変量は位相的場の理論として、
Jones多項式は３次元の Chern-Simons理論の経路積分として、
自然に導かれることを示したのです。
この合流点に、Atiyah が数学的な堤防を築きます。
同じころ、わずか20ページ足らずの論文で、TQFT を「コボルディズムの圏から、ベクトル空間の圏への、対称モノイダル関手」として公理化しました。
つまり、1988年は偶然ではありません。
Atiyah-Singer・超対称性・Donaldson・Jones という４本の川が、出会うべくして出会った、その合流点だったのです。これから先の章は、この河口を、上流から一つずつたどり直す旅になります。
序章 ── TQFT という名の、交差点
（成熟度：導入）
圏峰工科大学。いつもとは違う棟の、ひとつの研究室。
学部生のタロウくんが、男性の講師に連れられて、入ってくる。
講師：
タロウくん、今日はわざわざ別の棟まで、すまないね。
タロウ：
いえ。先生にお声がけいただけるなら、どこへでも。
前回までの３回 ── ゲーム理論、OR、そして機械学習を、圏論で組み立て直す話。あれで、ものの見方がずいぶん変わりました。
講師：
それは何よりだ。じつは今日、君に引き合わせたい人がいてね。
TQFT ── 位相的場の理論という、大きなテーマがある。
これを案内するなら、僕より、ずっと適任な人がいるんだ。
タロウ：
先生にも、専門の外があるんですか。
講師：
あるとも。
僕の専門は、圏論を機械学習や経済に「使う」ほうだ。
だが、圏論とTQFTの接続をその最深部までわかりやすく案内するとなると、話が変わる。
そこは、別の専門性が要る。
── リサ先生。こちらが、いつも話していた学生の、タロウくんです。
リサ先生：
はじめまして。リサと申します。
応用圏論を専門にしている、専任講師です。お噂は、かねがね伺っています。
タロウ：
は、はじめまして。タロウです。あの、よろしくお願いします。
リサ先生：
そんなに構えなくて大丈夫よ。
今日は、もうひとり、とても心強い人にも来てもらっているの。
TQFTを、専門に研究している人。
講師：
僕の役目は、ここまでだ。
あとの案内は、リサ先生と、そのもうひとりに任せる。
タロウくん、また面白い土産話を聞かせてくれ。
タロウ：
はい。ありがとうございました、先生。
リサ先生:
ミナさん、ようこそ。今日は、タロウくんに、TQFT（位相的場の理論） の話をしてもらえると嬉しいの。
ミナ:
リサ先生、お招きいただいてありがとうございます。タロウくん、はじめまして。TQFT は、私の博士論文のテーマだったの。
タロウ:
ミナさん、はじめまして。実は、僕、TQFT って、名前は聞いたことあるけど、何のことか全然分からないんです。Edward Witten とか Michael Atiyah とか、Wikipedia で読んでも、難しすぎて……
ミナ:
それで正常。TQFT は、現代数学・物理学の中で、最も抽象度が高い領域の一つだから、最初は誰でも、戸惑う。
でも、TQFT を知ることで、機械学習プログラマであるあなたの世界の見え方が、確実に変わる。今日は、そのことを、一緒に確認していきましょう。
リサ先生:
タロウくん、TQFT を理解するには、３つの世界の交差点を見る必要があるの。
ミナ:
そう。３つの世界:
第１に、場の量子論（Quantum Field Theory, QFT）:
素粒子物理学の基盤、20世紀後半の最も成功した理論
第２に、位相幾何学（Topology）:
形を、連続変形を許して分類する数学
第３に、圏論（Category Theory）:
数学的構造を「対象と射」として整理する言語
TQFT は、この３つを、ひとつの数学的構造として統合したもの。
そして、本記事が追いかける第4のテーマ ── AI・機械学習へは、この3つの数学的な土台から、橋が架かっていきます。それが、冒頭の「4つのテーマ」で予告した道です。
３つの世界 ── 場の量子論・位相幾何学・圏論 ── が一点で出会い、TQFTが生まれます。そして、そのTQFTから、本記事の第４のテーマであるAI・機械学習へと、一本の橋が架かっていきます。
タロウ:
３つの世界の交差点……抽象的すぎて、まだピンと来ません。
ミナ:
焦らないで。今日の対話を通じて、ひとつひとつ、ゆっくり繋げていく。
そして、最後には、**「TQFT を視界に収めることで、機械学習プログラマであるあなたが、AIと数学の未来をどう見るか」**が、明確になるはず。
第１幕 ── 場の量子論（QFT）── 20世紀後半の最大の理論
（成熟度：★★★★★ 確立した物理）
上図について：
中央は場の量子論の心臓部、経路積分 $Z = \int e^{iS[\varphi]},\mathcal{D}\varphi$ です。
周囲のファインマン図は雰囲気を伝えるための模式図で、上段は電子どうしの散乱（$e^-e^- \to e^-e^-$、媒介は光子 $\gamma$）とクォークの散乱（媒介はグルーオン $g$）を表します。下段の2枚は「繰り込み」「ゲージ対称性」という言葉の雰囲気を示すためのもので、厳密な過程を描いたものではありません（たとえば対消滅は本来 $e^+e^- \to \mu^+\mu^-$ で、繰り込みはループを含む図で表されます）。>
正確な定義は、このあと第1幕の本文で順に説明します。
ミナ:
まず、場の量子論（QFT） から始めましょう。
QFT は、20世紀後半の物理学の中で、最も成功した理論。素粒子標準模型（Standard Model）は、QFT の言語で書かれていて、LHC（大型ハドロン衝突型加速器）で観測される粒子の振る舞いを、極めて高精度で予測できる。
タロウ:
QFT って、具体的に、何を扱う理論なんですか?
ミナ:
「場（field）」 を量子的に扱う理論。
場とは、空間のすべての点で値を持つ何か。
例えば、電磁場（電磁波の元） や 重力場。
普通の量子力学は、**「一個の粒子の状態」を扱う。
QFT は、「無限個の場が織りなす空間全体の状態」**を扱う。
タロウ:
無限個の場……？
ミナ:
ざっくり言うと:空間のすべての点に、量子的な「揺らぎ」が存在する、という見方。
粒子（電子、光子、クォーク）は、この場の励起状態として現れる。
QFT の中心方程式:経路積分（Path Integral）
$$Z = ∫ e^{（iS[φ]）} Dφ$$
$Z$ （分配関数）:理論全体の情報を含む量
$S[φ]$ （作用）:場 φ に対する物理的な「コスト」
$∫ Dφ$ （経路積分）:すべての可能な場の配置にわたる和
タロウ:
これは、まったく分からないですね……
ミナ:
焦らないで。
ここで重要なのは、「数式の細部を理解する」ことではなく、「経路積分という考え方の精神」:
物理現象を計算するとき、起こりうるすべての可能性（すべての経路、すべての場の配置）を考慮し、それらの寄与を足し合わせる
これは、機械学習の最尤推定や、変分推論の哲学と、構造的に似ている。
タロウ:
あ、それは、ベイズ推論っぽい感じですか？
ミナ:
鋭い気づきね。実際、経路積分とベイズ推論は、構造的に深い類似性を持っているの。
そして、近年、機械学習の研究者が、QFT の言語を、ニューラルネットの理論に応用する試みが、急速に発展しています（Roberts, Yaida, Hanin の『The Principles of Deep Learning Theory』2022年など）。
QFT の言語が、機械学習の理論に、確かに流れ込んでいるのよ。
タロウ:
ちょっと抽象的で、まだピンと来ないです。
ミナ:
そうよね。具体例を挙げるわね。
第１に、経路積分とベイズ推論の対応。
QFTの経路積分は、すべての経路に$e^{-S[\phi]}$($S$は作用)で重みをつけて足し上げ、分配関数$Z$を作るわよね。
ベイズ推論も、すべてのパラメータに「事前分布×尤度」で重みをつけて積分し、規格化定数(エビデンス)を作る。作用$S$が「負の対数事後確率」に、分配関数$Z$が「エビデンス」に対応するの。
MacKayの『Information Theory, Inference, and Learning Algorithms』(2003)以来、知られた対応よ。
タロウ:
……すみません、第１から、もうついていけていないです。
「経路積分」も「分配関数」も、言葉は聞いたことがあるくらいで。
ミナ:
ごめんなさい、急ぎすぎたわね。たとえ話で言い直すわ。
QFTには、**「ある状態から別の状態へ移るとき、考えうる道を"全部"重ね合わせて計算する」**という考え方があるの。
一本の道だけじゃなく、ありとあらゆる道に重みをつけて、まとめて足し上げる。これが経路積分。
ベイズ推論も、構造はそっくりなの。
「ありうるパラメータを"全部"試して、それぞれに尤もらしさの重みをつけて、まとめて足し上げる」。
「すべての可能性を、重みをつけて足し合わせる」という骨組みが、ぴたりと重なっているのよ。
タロウ:
あ、「一つに決め打ちせず、可能性を全部重ねて足す」
── そこが同じだ、ということですね。それなら分かります。
ミナ:
そう、まさにそれ。
第２は、さっき名前を出したRoberts–Yaida–Haninの仕事。
ただ、その前に一つ、言葉を決めておくわね。タロウくん、ニューラルネットの**「幅」**って、分かる？
タロウ:
いえ、そこも曖昧です。
ミナ:
じゃあ、そこから。
ニューラルネットは、丸い「ニューロン」が並んだ層が、何段も重なってできているでしょう。
その一段の層に、ニューロンが何個ヨコに並んでいるか
── それが、「幅」 なの。
一段に1000個なら幅1000。
ネットのヨコの広さ、と思って。
タロウ:
層の中のニューロンの数のことですか。それなら分かります。
ミナ:
そう。
それでね、数学では、その幅を思いきり大きくして、究極には「無限に広い」と考えてみるの。
すると不思議なことに、ネットの振る舞いが、とても素直で、見通しよくなるのよ。
Roberts–Yaida–Haninが使う「自由場理論」や「ガウス過程」というのは、要するに、「その、幅が無限のときの、いちばん素直で計算しやすい理想の状態」 のこと。
むずかしい名前だけど、中身はそれだけ。
タロウ:
でも、現実のネットは、幅は有限ですよね。
ミナ:
そこがポイント。
現実は幅が有限だから、その理想の状態から、少しだけズレるの。
そのズレを、「理想＋小さな補正＋もっと小さな補正＋……」と、細かい項を順に足して、本物に近づけていく。この「少しずつ補正を足して直していく計算術」が、物理でいう摂動論なのよ。
しかも、その補正が 「幅ぶんの1」がだんだん小さくなる形で並ぶ。
幅が広いほど補正が効かなくなる。
その並び方が、素粒子物理で粒子の相互作用を計算するときの作法と、そっくり同じ形をしているの。
タロウ:
「いちばん素直な状態を出発点にして、現実とのズレを少しずつ足して直す」
── その足し算の作法が、物理と同じだ、と。それなら、つかめました。
ミナ:
ええ、まさにそれ。
第３は、くりこみ群との対応。
これは、地図の縮尺を思い浮かべるのがいいわ。
すごく詳しい住宅地図を、少しずつ縮尺を上げて、市の地図、県の地図、日本全体の地図……としていくと、細かい路地は消えて、大きな骨組みだけが残っていくでしょう。
この**「細かいスケールを順に潰して、大づかみな姿だけを取り出す」操作**が、物理のくりこみ群なの。
ディープラーニングで、層を一段とおるごとに、ピクセルの細かい情報が消えて、「猫らしさ」のような大きな特徴だけが残っていく
── あの段階的に粗くしていく流れが、地図の縮尺を上げる操作と、数学的に対応しているのではないか、という見方よ。Mehta&Schwab(2014)が、その口火を切ったの。
タロウ:
詳しい地図から、だんだん大づかみな地図にしていく
── それが、ネットの層を進む流れと同じ、と。それなら、イメージが湧きます。
ミナ:
ええ。
ただし、この第３のくりこみ群との対応は、第２ほどきっちり確立したものではないの。
「うまく対応する場合もあるけれど、常にそう言いきれるわけではない」と慎重に見る研究者もいる。
まだ綺麗な定理になりきっていない、発展途上の見方だと思って聞いてね。
Python で経路積分の片鱗を体感
タロウ:
コードで、経路積分の片鱗を体感できますか?
ミナ:
極めて単純化された形で、できる。
# Python で経路積分の片鱗を体感
# （実際の経路積分は、無限次元の積分なので、これは概念的なミニチュア）
import numpy as np
from scipy.integrate import quad
# 1次元の単純な「作用」を定義
# S[φ] = （1/2） φ^2 （調和振動子の作用）
def action（phi）:
"""場 φ に対する作用（物理的コスト）"""
return 0.5 * phi**2
# 分配関数 Z = ∫ exp{（-S[φ]）} dφ
# （実際の QFT では i*S を使うが、ここでは虚時間を使い実数化）
def integrand（phi）:
return np.exp（-action（phi））
# 数値積分で Z を計算
Z, error = quad（integrand, -np.inf, np.inf）
print（f"分配関数 Z = {Z:.6f}"）
print（f"理論値 （√（2π） ≈ 2.5066）: {np.sqrt（2*np.pi）:.6f}"）
# 出力:
# 分配関数 Z = 2.506628
# 理論値 （√（2π） ≈ 2.5066）: 2.506628
タロウ:
数値計算で、量子場の理論の片鱗が計算できる！
ミナ:
そう。経路積分は、本質的に、すべての可能性にわたる和。
これを、コンピュータで近似計算する手法が、**モンテカルロ法（Lattice QCD など）**として、現代の物理学・機械学習の両方で重要。
そして、ここから、TQFT への第一歩が始まる。
第２幕 ── 位相幾何学（Topology）── 形を、本質で捉える数学
（成熟度：トポロジー ★★★★★ ／ TDA ★★★★☆ 実用化済み）
図について：
マグカップとトーラスは、正確には「同相（位相同型）」
── 連続的に変形して互いに移り合える関係です。図中の「ホモトピー同値」は、より広い意味で使われることもありますが、ここでは同相を指しています。
穴の数・オイラー標数・種数といった量は、本文で順に説明します。
ミナ:
次は、位相幾何学（トポロジー）。
タロウ:
ドーナツとコーヒーカップは、トポロジー的に同じ、というやつですよね。
ミナ:
そう。トポロジーは、「形を、連続変形を許して分類する数学」。
鍵となる概念:不変量（invariant）
不変量とは、「形を連続変形しても、変わらない量」。例えば:
- 穴の数（0次元穴、1次元穴、…）
- Euler 標数 $χ$（オイラー数）: 点 - 線 + 面 - …
- ホモロジー群 $H_k（M）$ : $k$ 次元の穴の構造を、群として記述
タロウ:
ホモロジー群って、何ですか？
ミナ:
M の k 次元の穴の構造を、群として表現したもの。
簡単な例：
- 円（circle） $S¹$ : $H_0 = ℤ$（1つの連結成分）、$H_1 = ℤ$（1つの1次元の穴）
- 球（sphere） $S²$ : $H_0 = ℤ$ 、$H_1 = 0$ （1次元の穴なし）、$H_2 = ℤ$（1つの2次元の穴）
- トーラス（donut）: $H_0 = ℤ$、$H_1 = ℤ × ℤ$（2つの1次元の穴）、$H_2 = ℤ$
これらは、形を分類する指紋として機能する。
円・球・ドーナツ（トーラス）は、穴の構造がそれぞれ違います。
ホモロジー群は、この「穴の様子」を代数的に表したもの
── いわば、形を見分ける指紋です。
ミナ:
ごめんなさい、「群」も「$ℤ$」も、まだ説明していなかったわね。かみくだいて説明させて。
まず、ここでいう 「穴」 は、日常の穴とは少しちがうの。
たとえば、輪ゴムを思い浮かべて。
１本の輪ゴムには、まんなかに「ぐるりと一周する空間」があるでしょう。
あれが、いちばん簡単な「穴」
── １次元の穴よ。ドーナツの、指を通せるあの空洞も、同じ仲間。
ボールの表面（球）には、そういう「一周する穴」はないけれど、内側に、ぽっかりした空洞を閉じこめているでしょう。あれは、ひとつ上の ２次元の穴、と数えるの。
そして ℤ（ゼット） というのは、…, −2, −1, 0, 1, 2, … と続く、整数ぜんぶの集まりのこと。
ここでは、おおざっぱに、 「穴が、何個ぶんあるか」を数えるための、目盛りだと思ってくれていい。
タロウ:
穴の種類ごとに、「何個あるか」を数えて、整数で記録していく、ということですか。
ミナ:
そう、まさにそれ。その「穴の個数の記録」を、次元ごとに並べたものが、ホモロジー群なの。$H_0$ は「いくつのカタマリに分かれているか（連結成分の数）」、$H_1$ は「１次元の穴がいくつあるか」、$H_2$ は「２次元の穴（空洞）がいくつあるか」── という具合に、番号が次元に対応しているのよ。
「群」 という言葉は、いまは 「足し引きのできる、数のような集まり」 くらいに受け取ってくれれば十分。
きちんとした定義は、いつか代数の本で出会えばいいの。
Python で実装する位相的データ解析（TDA）
タロウ:
これは、機械学習で、実用的に使えるんですか？
ミナ:
極めて実用的。位相的データ解析（Topological Data Analysis, TDA） という分野が、2010年代から急速に発展している。
核心の道具:Persistent Homology（持続的ホモロジー）
ノイズが含まれる実データから、「本質的な位相構造（穴の数、つながり方）」 を抽出する技術。
# Python で TDA を実装（giotto-tda ライブラリ）
import numpy as np
from gtda.homology import VietorisRipsPersistence
from gtda.diagrams import PersistenceEntropy
from gtda.plotting import plot_diagram
# データ:円形に分布する点群（ノイズ付き）
def generate_noisy_circle（n_points=200, noise=0.1）:
"""ノイズ付きの円形点群を生成"""
theta = np.linspace（0, 2 * np.pi, n_points）
x = np.cos（theta） + np.random.normal（0, noise, n_points）
y = np.sin（theta） + np.random.normal（0, noise, n_points）
return np.column_stack（[x, y]）
# 点群データを生成
circle_points = generate_noisy_circle（）
data = circle_points[np.newaxis, :, :] # 形状を （1, 200, 2） に整える
# Vietoris-Rips 複体のフィルトレーションを構築
# H_0（連結成分）と H_1（1次元穴）を計算
VR = VietorisRipsPersistence（homology_dimensions=[0, 1]）
diagrams = VR.fit_transform（data）
print（"=== 位相的特徴量 ==="）
print（f"ダイアグラムの形状: {diagrams.shape}"）
print（f" → （サンプル数, 特徴点数, 3） "）
print（f" → 各特徴点は （誕生時刻, 死亡時刻, 次元）"）
# 特徴量を抽出
# Persistence Entropy:ホモロジー的な「複雑さ」の指標
PE = PersistenceEntropy（）
features = PE.fit_transform（diagrams）
print（f"\nPersistence Entropy 特徴量:"）
print（f" H_0（連結成分の）エントロピー: {features[0, 0]:.4f}"）
print（f" H_1（1次元穴の）エントロピー: {features[0, 1]:.4f}"）
タロウ:
点群データから、位相的な特徴量が抽出できる！
これは、機械学習の入力特徴量として使えますね。
ミナ:
まさにそれが、TDA の本質。
従来の機械学習の特徴量: 平均、分散、相関、フーリエ係数など、統計的・周波数的な量
TDA の特徴量: 穴の数、連結成分、その永続性 ── 位相的な量
これらは、従来の統計学では捉えられない構造を、データから抽出できる。
同じデータでも、見方は一つではありません。
従来の特徴量は、平均・分散・周波数といった「数値」としてデータを捉えます（統計）。
これに対して、TDAは、点のつながり方や穴の数といった「形」としてデータを捉えます（位相）。
右側の中央にぽっかり空いた穴 ── これは統計量だけでは捉えられない、位相的な特徴です。
応用例:
- 生体信号（心電図、脳波）: 時系列の周期性、異常検出
- タンパク質構造解析: タンパク質の折りたたみ構造の分類
- 3D 点群処理: LiDAR データの物体認識
- 金融時系列: 市場の構造変化検出
- 画像認識: ノイズに頑健な特徴抽出
タロウ:
これは、本当に実用的ですね!
ミナ:
そう。
ただし、TDA を「TQFT の子供」と呼ぶのは、少し言い過ぎ。
正確には、両者は代数的位相幾何学（ホモロジー理論）という共通の祖先を持つ「親戚」。
TDA は〈 $代数的位相幾何 → ホモロジー → 持続的ホモロジー$ 〉という系譜から生まれ、TQFT も同じ代数的位相幾何を土台にしている
── そういう関係なの。
だからこそ、TQFT を理解すると、TDA の発想の「なぜ」が、より深く分かる。
これは、すでに産業界でも使われている技術です。
そして、TQFT 自体を理解すると、TDA の真の意味と限界が、深く分かる。
第３幕 ── コボルディズム（Cobordism）── TQFT の核心舞台
（成熟度：★★★★★ 定理）
図について：
中央は「ズボン型（pair of pants）」のコボルディズムで、2つの入口の円（$\Sigma_1, \Sigma_2$）が1つの出口の円（$\Sigma_3$）へと合流する射 $M : \Sigma_1 \sqcup \Sigma_2 \to \Sigma_3$ を表します。「3つの境界の円をもつ曲面」である点で、図では立体感をもたせた絵を描画したため、中央がやや膨らんで見えますが、穴（種数）のあるトーラスではありません。
大切なのは、入口2つ・出口1つという開口部のつながり方です。
ミナ:
さて、ここからが、TQFT の核心。
コボルディズム（Cobordism） という概念を、導入する。
タロウ:
コボルディズム……難しそうな名前ですね。
ミナ:
名前は難しいけど、概念は 意外と単純。
コボルディズムは、「２つの空間を、より高次元の空間でつなぐもの」。
例:2次元のコボルディズム
２つの円（１次元の空間）を、ズボン状の曲面（2次元） でつなぐ。
これが、最も典型的なコボルディズム。
タロウ:
ズボン状の曲面？ なぜ、ズボン？
ミナ:
「pair of pants」（ズボンのペア）と呼ばれる、TQFTで最も有名な図形。
入口に２つの円（膝のあたり）、出口に１つの円（腰のあたり）、間を曲面でつなぐ。
これが、**「２つの粒子が衝突して、１つの粒子になる」**過程の、幾何学的表現にも対応する。
ミナ:
機械学習の言葉 に、引きつけてみましょうか。
ニューラルネットの「層（レイヤー）」も、ある入力空間から出力空間への変換です。
圏論の言葉 でいえば、これも 「射（モルフィズム）」になる。
そし、てコボルディズムも、入口の図形から出口の図形への「射」。
だから、「コボルディズム ≒ ニューラルネットのレイヤー変換」 という対応が見えてきます。
ニューラルネットの層は「入力を出力へ変換するもの」、コボルディズムは「入口の図形を出口の図形へつなぐもの」── どちらも、入口から出口への「変換（射）」という同じ骨格を持っています。だから、コボルディズムとニューラルネットの層は、よく似た構造として対応づけられます。
とくに、さっきのズボン型（2つの円 → 1つの円）は、「2つの特徴量ベクトルを受け取り、1つにまとめる層」 に対応します。あとで出てくる フロベニウス代数（Frobenius algebra）の乗法 $μ$ : $V⊗V → V$ が、まさにこれ。
タロウ:
その 「フロベニウス代数」 というのが、まだ分からないです。
ミナ:
いまは、ふんわりつかんでくれれば十分よ。フロベニウス代数というのは、おおざっぱに言うと、「２つを１つにまとめる掛け算」と、「１つを２つに分ける、その逆向きの操作」の、両方をきちんと備えた、数の世界のこと。
さっきのズボン型を思い出して。２つの円が１つの円に合流したでしょう。
あれが、「２つを１つにまとめる」操作 ── 掛け算にあたる の。
そして、ズボンを上下ひっくり返せば、１つの円が２つに分かれる図形 になる。
それが 「分ける」操作、つまり掛け算の逆向き。
この「まとめる」と「分ける」が、きれいに釣り合って共存している
── そういう、バランスのいい数の世界が、フロベニウス代数 よ。
そして、２次元のTQFTは、このフロベニウス代数と、ぴたりと１対１に対応するの。
図形の話と、代数の話が、ここで完全に重なるのよ。
タロウ:
ズボンの「合流」が掛け算で、それをひっくり返した「分岐」が、その逆
── 図形の操作が、そのまま代数の操作になっているんですね。
ミナ:
そういうこと。
話を、さっきのニューラルネットの層に戻すわね。
あの「層＝入口から出口への変換」も、いまのズボンと同じ仲間として捉えることができるの。
タロウ:
レイヤーの重なりを、図形の「つなぎ方」として見直す んですね？
ミナ:
そう。
ただし、これは厳密な同一ではなく、強力なアナロジー（成熟度 ★★☆☆☆）。
正確に言うと、ズボンが対応するのは、２つのベクトルを単に、連結（concat、直和 $V⊕V$ ） するのではなく、テンソル積 $V⊗V$ を経て融合する双線形な層（bilinear pooling のようなもの）。
この区別を押さえると、アナロジーがぐっと正確になる。
ミナ:
そしてね、このズボン型は、もうひとつ別の顔も持っているの。
**「２つの粒子が衝突して、１つの粒子になる」**という、物理の過程としても読めるのよ。
タロウ:
粒子の衝突を、曲面で表現する？
ミナ:
そう。これが、TQFT の核心アイデアの一つ。
TQFT は、「物理的な過程」を、「幾何学的なコボルディズム」として記述する。
Atiyah の TQFT の公理化（1988）
リサ先生:
ここで、Atiyah が 1988 年に書いた、極めて美しい公理化を、紹介しよう。
Atiyah の公理（極めて簡潔）:
n 次元 TQFT は、「対称モノイダル関手」:
Z: （n-Cob, ⊔） → （Vect_k, ⊗）
ここで、
- n-Cob:n 次元コボルディズムの圏（対象は （n-1） 次元多様体、射は n 次元コボルディズム）
- Vect_k:体 k 上のベクトル空間の圏
- ⊔ と ⊗:それぞれ、コボルディズムの「直和」とベクトル空間の「テンソル積」
【ことばの小箱：いま出てきた専門用語を、日常生活の言葉で】
-
多様体（たようたい）：なめらかに曲がった「図形・空間」のこと。曲線（1次元）、曲面（2次元）、そしてその高次元版をまとめてこう呼びます。地球の表面のように、近くで見れば平らな板に見える空間、とイメージしてください。
-
圏（けん）：「もの（対象）」と「もの同士をつなぐ矢印（射）」をワンセットにした、地図のような枠組み。ここでは図形を「もの」、図形をつなぐコボルディズムを「矢印」と考えます。
-
関手（かんしゅ）：ある圏の「もの」と「矢印」を、別の圏の「もの」と「矢印」へ、つながり方を保ったまま「翻訳」する対応のこと。ここでは Z が、図形の世界を、ベクトル空間（数のかたまり）の世界へ翻訳する装置です。
-
直和（ちょくわ、$⊔$ ）：2つの図形を、ただ「並べて置く」操作（ここでは2つの円を別々に置くこと）。
-
テンソル積（$⊗$）：2つのベクトル空間を「組み合わせて１つにまとめる」、かけ算のような操作。まとめたあとの次元（自由度の数）は、もとの2つの次元のかけ算になります。
- 対称モノイダル：「ものを並べてまとめる」操作（$⊔$ や $⊗$）ができ、しかも「$A$ と $B$ を並べる」のと「$B$ と $A$ を並べる」のが本質的に同じ（＝対称）、という性質をそなえた圏のこと。
タロウ:
これは、難しい……
リサ先生:
焦らないで。一つずつ説明するからね。
TQFT $Z$ は、「各 $（n-1）$ 次元多様体に、ベクトル空間を割り当てる」:
- $Σ ↦ Z（Σ） ∈ Vect_k$
- 例:円 $S¹$ には、ある特定のベクトル空間 $Z$（$S^¹$） が対応
TQFT $Z$ は、「各 $n$ 次元コボルディズムに、線形写像を割り当てる」:
- $M$ : $Σ_1 → Σ_2 ↦ Z（M）: Z（Σ_1） → Z（Σ_2）$
- 例:pair of pants（2つの円から1つの円へのコボルディズム） → Z（pants）: Z（S¹） ⊗ Z（S¹） → Z（S¹）
ミナ:
数式の読み方を、ひとつ補っておくわね。
$M : Σ_1 → Σ_2$ の コロン「:」 は、「$M$は、$Σ_1$から$Σ_2$への射です」という意味。
「$M$は、こういう型のものですよ」という宣言なの。
プログラミングで x: int と型を書くのと、同じ感覚ね。
そして 矢印「$→$」 は、「どこからどこへ向かうか」を表すだけ。
だから、 $Z（M）: Z（Σ_1） → Z（Σ_2）$ は、「$Z(M)$は、ベクトル空間 $Z(Σ_1)$ から $Z(Σ_2)$ への線形写像です」と読むのよ。
タロウ:
幾何学的なコボルディズムを、線形代数のベクトル空間と線形写像に「翻訳」する？
ミナ:
完璧な理解。
これが、TQFT の魔法:幾何 ⇄ 代数の双対を、関手として実現するということの意味内容なの。
Python で TQFT の簡単なケースを実装
タロウ:
これも、コードで体感できますか?
ミナ:
2次元 TQFT の最も単純なケースを、Python で実装してみる。
# Python で 2次元 TQFT の概念的実装
# （実際の数学は遥かに複雑だが、構造を体感する）
import numpy as np
class TwoDimensionalTQFT:
"""
2次元 TQFT の単純化された実装
対象:1次元多様体（円、円の直和）
射:2次元コボルディズム（pair of pants, cylinder, cap, cup）
"""
def __init__（self, vector_space_dim=2）:
"""
Z（S¹） = R^{vector_space_dim} と設定
典型的な例:vector_space_dim = 2（最も単純な非自明な TQFT）
"""
self.d = vector_space_dim
def Z_circle（self）:
"""1つの円 S¹ に割り当てられるベクトル空間"""
return np.eye（self.d） # 単位行列の次元 = ベクトル空間の次元
def Z_disjoint_union（self, n_circles）:
"""n 個の円の直和に割り当てられるベクトル空間"""
return self.d ** n_circles # テンソル積で次元が増える
def Z_cylinder（self）:
"""円柱（1つの円 → 1つの円）: 恒等写像"""
return np.eye（self.d）
def Z_cap（self）:
"""キャップ（空 → 1つの円）: ベクトル空間の特定の元
Z（空） = k（スカラー、1次元） → Z（S¹）
"""
# ある特定のベクトル v ∈ Z（S¹） を返す
return np.array（[1.0] + [0.0] * （self.d - 1））
def Z_cup（self）:
"""カップ（1つの円 → 空）: ベクトル空間上の特定の線形汎関数
Z（S¹） → k（スカラー）
"""
return np.array（[1.0] + [0.0] * （self.d - 1））
def Z_pants（self）:
"""ズボン（2つの円 → 1つの円）: 乗法
Z（S¹） ⊗ Z（S¹） → Z（S¹）
"""
# 単純な乗法的構造（可換代数の乗法）
# mu（e_i, e_j） = e_{i+j mod d}
mu = np.zeros（（self.d, self.d, self.d））
for i in range（self.d）:
for j in range（self.d）:
mu[（i + j） % self.d, i, j] = 1.0
return mu
# 使ってみる
tqft = TwoDimensionalTQFT（vector_space_dim=3）
print（"=== 2次元 TQFT の構造 ==="）
print（f"Z（S¹） の次元: {tqft.d}"）
print（f"Z（2つの円の直和） の次元: {tqft.Z_disjoint_union（2）}"）
print（f"Z（円柱）（恒等写像）:\n{tqft.Z_cylinder（）}"）
print（f"Z（キャップ）（空 → S¹）:\n{tqft.Z_cap（）}"）
print（f"Z（ズボン）（S¹ ⊗ S¹ → S¹） の形状: {tqft.Z_pants（）.shape}"）
タロウ:
幾何学的な対象（円、円柱、ズボン）が、すべて、ベクトル空間と線形写像に翻訳されている!
ミナ:
そう。これが、TQFT の「翻訳機能」。
そして、この単純な例から、極めて深い結果が引き出せるの。
2次元 TQFT は、可換フロベニウス代数と１対１に対応する
（Atiyah, 1988; Kock の 2003 年の本で証明）。
（機械学習との接点：この乗法 $μ$ : $V⊗V → V$ は、第３幕で触れた「２つの特徴量を融合する双線形レイヤー」と同じ形です。成熟度 ★★☆☆☆ ── 厳密な同一ではなく、構造のアナロジー。）
【ことばの小箱：代数・可換・フロベニウス代数】
-
代数（だいすう）：足し算・かけ算ができる「数のような世界」のこと。ふつうの数だけでなく、行列やベクトルの集まりなども「代数」になります。
-
可換（かかん）：かけ算の順番を入れ替えても答えが同じ、という性質。3×5＝5×3 のように a×b＝b×a が成り立つことです（行列のように、成り立たない世界もあります）。
- フロベニウス代数：ふつうの「かけ算」だけでなく、その逆向きにあたる「分ける操作（余乗法）」や、全体を1つの数にまとめる「目盛り（余単位）」までセットで備えた、特別にバランスのよい代数のこと。この「行き」と「帰り」の対称性が、ズボン型コボルディズムとそれを裏返した図形に、きれいに対応します。
つまり、「2次元 TQFT」を分類することは、「可換 Frobenius 代数」を分類することと、本質的に同じ。
━━━━━━━━━━━━━━━━━━━━━━
多言語によるコード実装の地図 ── TQFT に近づく５つの言語
ミナ:
ここで、TQFT の精神を体感するための、複数言語によるコード実装を、紹介します。
TQFT は、極めて抽象度の高い理論ですが、プログラミング言語の特性を活かして、異なる側面をそれぞれ体感できるわ。
なぜ複数の言語を使うのか？
── 整理してみましょう。
TQFT は、3つの異なる「顔」 を持っています。
- 数値計算・科学計算の顔（具体的な行列、固有値、不変量の計算）
- 代数的・図式的構造の顔（圏、関手、対称モノイダル構造）
- 形式的・公理的な顔（Atiyah 公理、依存型、形式検証）
ひとつの言語で全てを扱うのは、現実的ではない。
各言語が、それぞれ得意な「顔」を持っているため、TQFT の異なる側面を体感するには、複数の言語を使い分けるのが、最も効果的。
これから、５つの言語（Haskell、Idris、Julia、Python+NumPy、Python+PennyLane）を順に紹介します。
それぞれの言語が、なぜ TQFT の文脈で必要かを、最初に明示するわね。
コード１: Haskell ── Categorical Quantum Mechanics 風の図式記述
なぜ Haskell？
第１に、Haskell の型システム（代数的データ型、型クラス、Higher-Kinded Types）が、圏論の構造を、コードに直接表現できる。Functor、Applicative、Monad、Arrow などの型クラスは、圏論の概念をそのまま実装したものだから。
第２に、Haskell コミュニティと圏論の歴史的な深い結びつき。Bob Coecke、Aleks Kissinger らの Categorical Quantum Mechanics（CQM）研究グループは、Oxford で Haskell ベースのライブラリ（zx-calculus の Python 版もあるが、原点は Haskell 風の図式記述）を開発しているから。
第３に、遅延評価と純粋関数性が、経路積分や量子重ね合わせの「すべての可能性を扱う」精神と、自然に共鳴するから。
-- Haskell: Categorical Quantum Mechanics 風の TQFT 図式記述
-- （Oxford の Coecke グループ、Quantinuum の研究精神を継ぐ）
-- 対称モノイダル圏の対象（ベクトル空間に相当）
data Object = Unit -- I（単位対象、Z（空集合））
| Circle -- S¹（円）
| TensorProd Object Object -- A ⊗ B（テンソル積）
deriving （Show, Eq）
-- 対象の次元（Vect_k での次元）
dim :: Int -> Object -> Int
dim _ Unit = 1
dim d Circle = d -- Z（S¹） の次元 d を指定
dim d （TensorProd a b） = dim d a * dim d b -- テンソル積は次元の積
-- 対称モノイダル圏の射（コボルディズムに相当）
data Morphism = Identity Object
| Cap -- I → S¹（キャップ）
| Cup -- S¹ → I（カップ）
| Pants -- S¹ ⊗ S¹ → S¹（ズボン）
| CoPants -- S¹ → S¹ ⊗ S¹（逆ズボン）
| Compose Morphism Morphism -- 合成
| Tensor Morphism Morphism -- 並列合成（モノイダル積）
deriving （Show）
-- 例:ズボンの後にカップで閉じる
-- これは「2つの円が衝突して、1つの円になり、消える」過程
trousersAndCup :: Morphism
trousersAndCup = Compose Cup Pants
-- これを 2次元 TQFT として評価すると、Frobenius 代数の構造に対応
-- （Atiyah 1988, Kock 2003 の核心結果）
タロウ:
Haskell のコードが、そのまま圏論の図式になっている！
ミナ:
そう。Haskell の型システムが、対称モノイダル圏の構造を、自然に表現できるの。
これが、Categorical Quantum Mechanics の Haskell 実装（quantum、zx-calculus などのライブラリ）が、Oxford で開発される理由よ。
コード２: Idris ── 依存型による TQFT の公理の形式検証
なぜ Idris?
第一に、依存型（Dependent Types） を、実用的なプログラミング言語として実装している。型自体が値に依存できるため、数学的命題を、型として表現し、証明を、その型を持つプログラムとして書けるのよ（Curry-Howard 対応）。
第二に、Atiyah 公理のような「数学的公理」を、コンパイラが機械的に検証できる。
これは、Haskell では困難なの（Haskell の型システムは、依存型を完全にはサポートしない）。
第三に、Coq、Lean、Agda よりも、実用プログラミングに近い設計（Edwin Brady、2007年〜）。
Haskell に慣れたプログラマが、形式検証の世界に入る最も自然な入口になります。
-- Idris: 依存型による TQFT 公理の表現
-- （姉妹編 Zenn Book『論理学から AI Safety へ』で扱った、依存型プログラミングの応用）
-- 対称モノイダル圏の対象を、自然数次元でパラメータ化
data MonoidalObj : Nat -> Type where
Unit : MonoidalObj 0 -- 単位対象、次元 0
Circle : （d : Nat） -> MonoidalObj d -- 円、次元 d
Tensor : MonoidalObj n -> MonoidalObj m -> MonoidalObj （n + m）
-- テンソル積、次元は和
-- 関手 Z: nCob → Vect の型
-- TQFT は、コボルディズムの圏から、ベクトル空間の圏への関手
TQFTFunctor : Type
TQFTFunctor = （n : Nat） -> MonoidalObj n -> Type
-- Atiyah の公理:Z（A ⊗ B） ≅ Z（A） ⊗ Z（B）（モノイダル関手の条件）
-- 依存型を使うと、これを型レベルで検証できる
monoidalCompatibility : （Z : TQFTFunctor）
-> （a : MonoidalObj n）
-> （b : MonoidalObj m）
-> Z （n + m） （Tensor a b） = （Z n a, Z m b）
monoidalCompatibility Z a b = ?compatibilityProof
-- 上記の ? は、証明が必要な箇所
-- Idris のコンパイラは、ここで型レベルの検証を要求する
-- Atiyah 公理を、コンパイル時に検証する強力な手段
タロウ:
Idris のコンパイラ自体が、TQFT の公理が成り立つかを検証してくれる!
ミナ:
そう。形式検証の精神を、TQFT のような最先端の数学にも、適用できる。これは、産業界の安全性検証（航空機制御、医療機器、ブロックチェーンスマートコントラクト）でも、同じ技術が使われている。
コード３: Julia ── Atiyah-Singer 指数定理の数値検証
なぜ Julia？
第一に、数値線形代数の性能が、C や Fortran に匹敵する。Atiyah-Singer 指数定理のような、大規模な行列計算が必要な検証で、Python（NumPy）よりも高速。
第二に、多重ディスパッチによる設計が、数学的構造を自然に表現できるの。
+、* などの演算子を、異なる代数構造（行列、四元数、群環など）に対して、自然にオーバーロードできます。
第三に、JuliaMath、JuliaCategorical などのエコシステムが、代数的位相幾何・圏論の計算機実装に積極的。Catlab.jl（MIT、David Spivak ら）は、圏論の応用に特化した Julia パッケージ。
【ことばの小箱：作用素（演算子）と「指数」】
-
作用素（さようそ）／演算子：関数を入れると、別の関数が出てくる「装置」のこと。いちばん身近な例は微分 d/dθ で、関数を「その傾きを表す関数」に変えます。ここで出てくる Dirac 作用素も、この仲間です。
- 指数（しすう、index）：その作用素の「解けるパターンの数の差し引き」を表す整数。Atiyah-Singer の定理は、この「計算で出てくる数（解析的指数）」が、図形の形だけで決まる「位相的な数」と必ず一致する、という驚きの主張です。
# Julia: Atiyah-Singer 指数定理の数値検証（単純化版）
# 円周 S¹ 上の Dirac 演算子の指数を、数値計算で確認する
using LinearAlgebra
# 円周 S¹ を、N 個の点で離散化
function discrete_dirac_operator（N::Int）
"""
円周 S¹ 上の Dirac 演算子 D = i d/dθ の離散化
周期境界条件:θ + 2π ≡ θ
"""
# 中心差分による微分演算子（離散版）
D = zeros（ComplexF64, N, N）
for i in 1:N
D[i, mod1（i+1, N）] += 1im * N / （4π） # 前向き差分の半分
D[i, mod1（i-1, N）] -= 1im * N / （4π） # 後ろ向き差分の半分
end
return D
end
# 指数の計算
function dirac_index（N::Int）
"""
Dirac 演算子の指数:
index（D） = dim（ker D） - dim（ker D†）
"""
D = discrete_dirac_operator（N）
# ker D の次元（ゼロ固有値の重複度）
eigenvalues_D = eigvals（D）
ker_D = count（λ -> abs（λ） < 1e-8, eigenvalues_D）
# ker D† の次元（ここでは D は自己随伴なので、同じ）
ker_Ddagger = ker_D
return ker_D - ker_Ddagger
end
# 計算
N = 100 # 離散化点の数
idx = dirac_index（N）
println（"円周 S¹ 上の Dirac 演算子の指数: $idx"）
# 理論値:0（円周はオイラー標数 0）
# Atiyah-Singer の指数定理により、これは円周のオイラー標数に等しい
# より複雑な例:球面 S² 上では、指数 = 2（オイラー標数）
# （球面の離散化は、より複雑な実装が必要）
println（"=== Atiyah-Singer の指数定理の精神 ==="）
println（"解析的指数（Dirac 演算子） = 位相的指数（オイラー標数等）"）
println（"これは、20世紀後半の数学の最大の成果の一つ"）
タロウ:
解析的指数と位相的指数が等しい! これが、Atiyah-Singer の核心ですね。
ミナ:
そう。Julia の数値線形代数の強さが、こうした抽象的な数学を、実際に計算可能な形に具現化できるの。
そして、Julia は、近年、機械学習・量子計算でも、急速に伸びている言語。Flux.jl（機械学習）、QuantumLab.jl（量子計算）、Yao.jl（量子回路） などが、活発に開発されているのよ。
コード４: Python + NumPy/SciPy ── Frobenius 代数による 2次元 TQFT の完全実装
なぜ Python？
第１に、機械学習プログラマの圧倒的多数が、Python を日常的に使用。読者が、最も自然にコードを実行・改造できる言語。
第２に、NumPy/SciPy のテンソル計算（einsum、行列演算）が、圏論的なテンソル積構造を、自然に表現できる。
第３に、科学計算の標準ライブラリ（scipy.linalg、scipy.sparse）が、Frobenius 代数の固有値計算などを、極めて高速に実行できる。
第四に、Jupyter Notebookで、コードと数式と図を一体化した形で、TQFT の概念を視覚的に理解しやすい。
【ことばの小箱：種数（しゅすう）】
-
種数（しゅすう、genus）：
曲面に開いている「穴の数」のこと。球面は穴0個で種数0、ドーナツ（トーラス）は穴１個で種数１、メガネ型（ダブルトーラス）は穴２個で種数２、というように数えます。
このあとのコードは、種数ごとに TQFTの不変量（その図形に割り当たる数）を計算しています。
# Python + NumPy/SciPy:Frobenius 代数による 2次元 TQFT の完全実装
import numpy as np
class FrobeniusAlgebra:
"""
可換 Frobenius 代数による 2次元 TQFT の実装
Frobenius 代数は、以下の構造を持つ:
- 乗法 μ: A ⊗ A → A
- 単位 η: k → A
- 余乗法 Δ: A → A ⊗ A
- 余単位 ε: A → k
"""
def __init__（self, dim）:
"""
最も単純な例:群環 C[Z/d]（位数 d の巡回群の群環）
基底 e_0, e_1, ..., e_{d-1} で、e_i * e_j = e_{（i+j） mod d}
"""
self.dim = dim
# 乗法 μ:基底の積構造
self.mu = np.zeros（（dim, dim, dim））
for i in range（dim）:
for j in range（dim）:
self.mu[（i + j） % dim, i, j] = 1.0
# 単位 η:1 ∈ A を表すベクトル
self.eta = np.zeros（dim）
self.eta[0] = 1.0 # 単位元は e_0
# 余単位 ε:tr（乗法） を使った標準的な構成
# ε（e_i） = δ_{i, 0}（指標関数）
self.epsilon = np.zeros（dim）
self.epsilon[0] = 1.0
# 余乗法 Δ:Frobenius 構造から導出される
# Δ（e_k） = Σ_{i+j ≡ k} e_i ⊗ e_j
self.delta = np.zeros（（dim, dim, dim））
for k in range（dim）:
for i in range（dim）:
j = （k - i） % dim
self.delta[i, j, k] = 1.0
def multiply（self, a, b）:
"""乗法:a, b ∈ A → a * b ∈ A"""
return np.einsum（'kij,i,j->k', self.mu, a, b）
def comultiply（self, a）:
"""余乗法:a ∈ A → Σ a_（1） ⊗ a_（2） ∈ A ⊗ A"""
return np.einsum（'ijk,k->ij', self.delta, a）
def trace（self, a）:
"""余単位:a ∈ A → ε（a） ∈ k"""
return self.epsilon @ a
def closed_surface_invariant（self, genus）:
"""
閉曲面（種数 g）に対する TQFT 不変量
Z（Σ_g） = ε（Δ^g（η））
Σ_0 = 球面、Σ_1 = トーラス、Σ_2 = ダブルトーラス、...
"""
# 単位元から始める
state = self.eta.copy（）
# 種数 g 回の余乗法と乗法を交互に適用
for _ in range（genus）:
# Δ: A → A ⊗ A
state_pair = self.comultiply（state）
# μ: A ⊗ A → A
state = np.einsum（'kij,ij->k', self.mu, state_pair）
# 最後に余単位を適用
return self.trace（state）
# 使ってみる:dim=2 の Frobenius 代数で、種数 0, 1, 2 の閉曲面の不変量を計算
fa = FrobeniusAlgebra（dim=2）
for g in range（4）:
inv = fa.closed_surface_invariant（g）
print（f"種数 {g} の閉曲面の TQFT 不変量: {inv}"）
print（"\n=== Atiyah 1988 の結果 ==="）
print（"2次元 TQFT は、可換 Frobenius 代数と1対1に対応する"）
print（"（Kock 2003 で完全に証明）"）
タロウ:
抽象的な TQFT が、Python で実際に計算できる！
ミナ:
そう。Atiyah 1988 の公理化は、こうやって、計算可能な代数構造として具体化できるの。
これが、理論と実装の双対の、確かな実例。
コード５: Python + PennyLane + PyTorch ── TQFT 風の量子-古典ハイブリッド機械学習
なぜ PennyLane + PyTorch？
第１に、PennyLane（Xanadu 社、カナダ）は、量子回路と古典機械学習を、シームレスに統合できる、最も実用的なライブラリだから。PyTorch、TensorFlow、JAX のどれとも互換性があります。
第２に、TQFT の物理的実装（Topological Quantum Computing）を、現代の量子コンピュータ上で近似的に実験できるから。Microsoft Azure Quantum、IBM Quantum、Google Quantum AI のデバイスにも接続可能。
第３に、機械学習プログラマが、Python の延長線上で、量子計算の世界に入る、最も自然な入口。@qml.qnode デコレータで、PyTorch の nn.Module の中に、量子回路を組み込むことができるから。
# Python + PennyLane + PyTorch:TQFT 風の量子-古典ハイブリッド機械学習
# （Topological Quantum Computing の精神を、変分量子回路で近似的に体感）
import pennylane as qml
import torch
import torch.nn as nn
import numpy as np
# 量子デバイス（4 量子ビット）
n_qubits = 4
dev = qml.device（"default.qubit", wires=n_qubits）
@qml.qnode（dev, interface="torch"）
def topological_inspired_circuit（weights, x）:
"""
TQFT/TQC 風の変分量子回路
特徴:
1. データのエンコーディング（古典 → 量子）
2. 「位相的」な回路構造（braiding 風の CNOT 連鎖）
3. 測定（量子 → 古典）
"""
# データのエンコーディング
for i in range（n_qubits）:
qml.RY（x[i], wires=i）
# 「位相的」な変分層:braiding 風の CNOT 連鎖
# （これは、Topological Quantum Computing の anyonic braiding の最も単純な近似）
for layer in range（weights.shape[0]）:
# 単一量子ビット回転
for i in range（n_qubits）:
qml.RY（weights[layer, i, 0], wires=i）
qml.RZ（weights[layer, i, 1], wires=i）
# 隣接量子ビット間の CNOT（braiding を近似）
for i in range（n_qubits - 1）:
qml.CNOT（wires=[i, i + 1]）
# 周期的境界条件（位相的構造）
qml.CNOT（wires=[n_qubits - 1, 0]）
# 測定:各量子ビットの Pauli-Z 期待値
return [qml.expval（qml.PauliZ（i）） for i in range（n_qubits）]
class TQFTInspiredNN（nn.Module）:
"""
TQFT 風の量子回路を組み込んだハイブリッド機械学習モデル
"""
def __init__（self, n_layers=3）:
super（）.__init__（）
# 量子回路の重み（古典パラメータ）
self.q_weights = nn.Parameter（
torch.randn（n_layers, n_qubits, 2） * 0.1
）
# 古典の後処理層
self.fc = nn.Linear（n_qubits, 2）
def forward（self, x）:
"""
x: 入力データ（各サンプル n_qubits 次元）
"""
# 量子回路で特徴抽出
q_features = torch.stack（[
torch.stack（topological_inspired_circuit（self.q_weights, x_i））
for x_i in x
]）
# 古典の後処理（分類器）
return self.fc（q_features）
# 使用例
model = TQFTInspiredNN（n_layers=3）
x_batch = torch.randn（5, n_qubits） * 0.5 # 5サンプル
output = model（x_batch）
print（f"=== TQFT 風ハイブリッドモデル ==="）
print（f"入力形状: {x_batch.shape}"）
print（f"出力形状: {output.shape}"）
print（f"出力（2クラス分類のロジット）:\n{output}"）
print（"\n=== このコードの意味 ==="）
print（"1. 量子回路の構造（CNOT の周期的連鎖）が、位相的不変性を近似"）
print（"2. PyTorch の自動微分で、量子と古典のパラメータを同時に学習"）
print（"3. これが、5-10年後の Topological Quantum Computing への入口"）
タロウ:
量子回路と PyTorch が、ひとつのモデルとして統合されている!
ミナ:
そう。これが、現代の量子-古典ハイブリッド機械学習（QML）の最先端ね。
そして、Microsoft Station Q、Google Quantum AI、IBM Quantum が研究している Topological Quantum Computing（Majorana fermion ベースの位相的量子ビット）が実用化すれば、この種のコードが、現代の機械学習を超える性能を発揮する可能性があるわ。
（正確を期すと、TQC（トポロジカル量子計算）は TQFT と直結していますが、QML 一般（変分回路・量子カーネル・HHL 系など）は TQFT とは別系統の技術です。「TQFT → TQC → QML」と一直線につなげるのは飛躍。成熟度：TQC ↔ TQFT ＝ ★★★★☆ ／ QML ↔ TQFT ＝ ★★☆☆☆。）
さらなる言語の地図 ── TQFT を多角的に体感する4つの追加言語
ミナ:
ここまでの5言語（Python、Haskell、Idris、Julia）は、機械学習プログラマが、最も自然に入れる言語でした。
さらに、TQFT の研究や、より深い形式化に向けて、追加の4言語を紹介します。
これらは、機械学習の日常からは少し遠いけれども、TQFT の真の研究現場で使われている言語です。
コード６ :Lean 4 ── Mathlib による現代数学の形式化
なぜ Lean 4？
第一に、Mathlib ── 現代数学全体を Lean で形式化する、世界規模のオープンソースプロジェクト。Terence Tao（2006年フィールズ賞） も貢献。100万行を超えるコードで、線形代数、解析学、トポロジー、代数幾何が形式化済（2026年時点）。
第二に、圏論ライブラリ（Mathlib.CategoryTheory）が、極めて成熟しており、コボルディズム圏、対称モノイダル圏を、Lean 4 で直接構築できる。
第三に、**Leonardo de Moura（Microsoft Research）**が設計した、現代的な依存型システム。Coq よりも高速、Agda よりも実用的。
-- Lean 4: Mathlib を使った圏論的構造の形式化
-- （TQFT の Atiyah 公理を Lean で表現する例）
import Mathlib.CategoryTheory.Category.Basic
import Mathlib.CategoryTheory.Monoidal.Category
import Mathlib.CategoryTheory.Functor.Basic
open CategoryTheory
-- 対称モノイダル圏の構造を、Lean の型クラスで表現
-- （Mathlib の `MonoidalCategory` 型クラスを使用）
-- TQFT は、対称モノイダル関手として定義される
-- Z : （nCob, ⊔） → （Vect_k, ⊗）
structure TQFT （n : ℕ） （k : Type*） [Field k] where
-- コボルディズム圏の対象（n-1次元多様体）を、ベクトル空間に送る関手
Z_obj : NCobOrientedObj n → VectorSpace k
-- コボルディズムの射（n次元多様体）を、線形写像に送る
Z_mor : ∀ {Σ₁ Σ₂}, NCobOrientedMor n Σ₁ Σ₂ →
LinearMap k （Z_obj Σ₁） （Z_obj Σ₂）
-- 関手性:合成と恒等射の保存
functorial_id : ∀ Σ, Z_mor （𝟙 Σ） = LinearMap.id
functorial_comp : ∀ {Σ₁ Σ₂ Σ₃} （f : NCobOrientedMor n Σ₁ Σ₂）
（g : NCobOrientedMor n Σ₂ Σ₃）,
Z_mor （g ≫ f） = （Z_mor g）.comp （Z_mor f）
-- モノイダル性:Z（A ⊗ B） ≅ Z（A） ⊗ Z（B）
monoidal_compatibility : ∀ A B, Z_obj （A ⊗ B） ≅ Z_obj A ⊗ Z_obj B
-- 対称性:Z（B ⊗ A） ≅ Z（A） ⊗ Z（B） との整合性
symmetric_compatibility : ∀ A B,
Z_obj （β_ A B）.hom = （symmetry_iso （Z_obj A） （Z_obj B））.hom
-- 注:NCobOrientedObj, NCobOrientedMor は、Mathlib にまだ完全には実装されていない
-- （現在進行形の研究プロジェクト）
-- ただし、対称モノイダル関手の枠組みは、Mathlib に存在する
タロウ:
Lean で、TQFT の公理を、コンパイラが検証可能な形で書ける!
ミナ:
そう。これは、Coq、Agda よりも実用的で、現役の数学者たちが日常的に使っている。
そして、ここで「Mathlib にまだ完全には実装されていない」と書いたのは、弱点ではなく、フロンティアの印。コボルディズム圏や高次圏の構造を Lean の Mathlib に載せる作業は、いままさに世界中の数学者・計算機科学者が開拓している最前線です（成熟度 ★★★☆☆ 活発な研究）。
ここが整えば、TQFT のような高度な数学の定理を、コンパイラが機械的に検証できるようになります。
（※ ただし「ふだん PyTorch で書いているモデルの安全性が、近い将来 Lean で自動的に証明される」といった話は、まだ遠い将来の思弁です。ここで確実に言えるのは、“数学そのものの形式化”が進むフロンティアがある、という点までです。）
コード７: Coq ── 形式証明系の本道
なぜ Coq？
第１に、形式証明系の最も歴史ある実装（1989年、INRIA フランス）。CompCert（C コンパイラの形式検証、Xavier Leroy）、4色定理の形式証明（2005年、Gonthier）など、産業界・数学界での実績が圧倒的。
第２に、UniMath プロジェクト（Vladimir Voevodsky が立ち上げた、Univalent Foundations の Coq 実装）が、HoTT・TQFT 系の形式化の本道を継続。
第３に、OCaml で実装されているため、関数型プログラマには、内部構造が理解しやすい。
（* Coq: 圏論的構造と Atiyah 公理の形式化（極めて単純化） *）
（* UniMath プロジェクト（Voevodsky の遺産）の精神を継ぐ *）
（* 圏の定義 *）
Record Category : Type := {
ob : Type; （* 対象の型 *）
hom : ob -> ob -> Type; （* 射の型 *）
id : forall A, hom A A; （* 恒等射 *）
comp : forall {A B C}, hom B C -> hom A B -> hom A C; （* 合成 *）
（* 圏の公理 *）
left_id : forall A B （f : hom A B）, comp （id B） f = f;
right_id : forall A B （f : hom A B）, comp f （id A） = f;
assoc : forall A B C D （f : hom A B） （g : hom B C） （h : hom C D）,
comp h （comp g f） = comp （comp h g） f
}.
（* 関手の定義 *）
Record Functor （C D : Category） : Type := {
F_ob : ob C -> ob D;
F_mor : forall {A B}, hom C A B -> hom D （F_ob A） （F_ob B）;
（* 関手の公理 *）
F_id : forall A, F_mor （id C A） = id D （F_ob A）;
F_comp : forall A B C （f : hom （Category.C） A B） （g : hom （Category.C） B C）,
F_mor （comp C g f） = comp D （F_mor g） （F_mor f）
}.
（* これを基礎に、対称モノイダル関手、TQFT の Atiyah 公理を構築できる *）
（* 実際の Coq での TQFT 形式化は、まだ研究の最前線 *）
ミナ:
Coq は、Atiyah の TQFT 公理を、数学界が機械的に検証する道として、確かに使われ続けている。
コード８: Cubical Agda ── HoTT の計算可能な実装
なぜ Cubical Agda？
第一に、HoTT（Homotopy Type Theory）の Univalence axiom を、計算可能な形で実装した、最も成熟したシステム（2018年〜）。姉妹編 Zenn Book『論理学から AI Safety へ』で論じた、$∞$-圏論の最も自然な実装基盤。
第二に、TQFT は、高次圏論（higher category theory）で記述されるため、Cubical Agda が、TQFT の最も深い形式化に、最も近い言語の一つ。
第三に、Agda の対話的証明は、Coq よりも柔軟で、より自然な記述が可能。
-- Cubical Agda: HoTT による TQFT の高次圏論的記述
-- （Vladimir Voevodsky の Univalent Foundations の精神を継ぐ）
{-# OPTIONS --cubical #-}
module TQFT-cubical where
open import Cubical.Foundations.Prelude
open import Cubical.Foundations.Equiv
open import Cubical.Foundations.HLevels
-- ベクトル空間の型（極めて単純化）
record VectorSpace : Type₁ where
field
carrier : Type
is-set : isSet carrier
-- 加法、スカラー乗法、等の公理は省略
-- 圏の対象と射（高次圏論的視点）
record ∞-Category : Type₁ where
field
ob : Type
hom : ob → ob → Type
-- 高次の構造:射と射の間の射（2-射）、さらに高次の射
higher-cells : （A B : ob） → （f g : hom A B） → Type
-- ... 無限に続く ∞-圏の構造
-- TQFT を、高次圏の関手として定義
TQFTHigherCategorical : ∞-Category → ∞-Category → Type₁
TQFTHigherCategorical nCob Vect =
-- 対称モノイダル ∞-関手
-- （詳細は省略、研究の最前線）
Type
-- Cubical Agda では、Univalence Axiom が「計算可能」
-- これにより、TQFT の同型な構造を、機械的に「等しい」とみなせる
-- （Lurie の Cobordism Hypothesis に近い、高次圏論的視座）
ミナ:
Cubical Agda は、TQFT の最も深い形式化に向かう道。Lurie の Cobordism Hypothesisを、機械検証可能な形で、いつか完全に実装する可能性を持つ言語。
コード９: Mathematica/Wolfram Language ── Witten・Atiyah が実際に使った言語
なぜ Mathematica？
第一に、Edward Witten 本人が、長年の研究で Mathematica を愛用してきた、と公言している。記号計算と数値計算の統合が、理論物理学者にとって、極めて使いやすい。
第二に、位相幾何学・代数幾何の標準ライブラリ（KnotTheory、AlgebraicTopology パッケージ）が、結び目不変量、ホモロジー、コホモロジーの計算に、長年使われてきた。
第三に、Stephen Wolfram 自身が、「物理学の基礎理論を、計算可能な形で再構築する」（Wolfram Physics Project）を推進しており、TQFT との接続を、明示的に目指している。
（* Mathematica/Wolfram Language: 結び目の Jones 多項式を計算 *）
（* Witten が 1989 年に Chern-Simons 理論から導出した、TQFT の最も有名な応用 *）
（* KnotTheory パッケージを使用 *）
<< KnotTheory`
（* トレフォイル結び目（三葉結び目） *）
trefoil = Knot["3_1"];
（* Jones 多項式の計算 *）
jonesPoly = Jones[trefoil][q]
（* 出力: -q^（-4） + q^（-3） + q^（-1） *）
（* この多項式は、Witten が示した通り、3次元 Chern-Simons 理論の経路積分で計算できる *）
（* より高度な例:HOMFLY 多項式（さらに一般化された不変量） *）
homflyPoly = HOMFLYPT[trefoil][a, z]
（* これらの不変量は、3D TQFT の直接的な計算結果 *）
Print["=== Witten 1989 の革命 ==="]
Print["結び目の Jones 多項式は、3D Chern-Simons 理論の TQFT 不変量"]
Print["これにより、純粋数学と理論物理が、深く繋がった"]
ミナ:
Witten 自身が、こうした Mathematica コードで、結び目不変量と Chern-Simons 理論の関係を、計算的に確認してきた歴史がある。
コード１０: Prolog ── 圏論的推論を、論理プログラミングで表現
なぜ Prolog？
第１に、論理プログラミングの父祖（Robert Kowalski、Alain Colmerauer、1972年）。圏論の射の合成を、論理的推論の連鎖として、自然に表現できる。
第２に、人工知能の古典的言語として、シンボリック AI、定理証明、ナレッジグラフで長年使われてきた。現代の LLM や AI Agent の発想とは、対極的な伝統的アプローチ。
第３に、TQFT のような抽象的構造を、論理的推論として「証明」する試みに、Prolog が、最もシンプルな入口を提供。
% Prolog: 圏論的推論の論理プログラミング表現
% 圏の射の合成を、論理的推論として記述
% 圏の対象を定義
object（circle）. % S¹（円）
object（sphere）. % S²（球面）
object（torus）. % T²（トーラス）
object（point）. % 点（0次元）
% 射の存在を定義（f: A → B）
morphism（point, circle, cap）. % キャップ:点 → 円
morphism（circle, point, cup）. % カップ:円 → 点
morphism（circle, circle, cylinder）. % 円柱:円 → 円
morphism（circle, circle, identity）. % 恒等射
% 合成可能性のルール（圏の合成公理）
composable（F, G, FG） :-
morphism（A, B, F）,
morphism（B, C, G）,
FG = composed（F, G）.
% 例:キャップとカップを合成すると、空集合 → 空集合の射
?- composable（cap, cup, X）.
% X = composed（cap, cup）
% つまり、点 → 円 → 点 の合成が、論理的に推論される
% TQFT 関手 Z の挙動を、論理ルールとして表現
% Z（object） = vector_space, Z（morphism） = linear_map
applies_tqft（Object, Vec） :-
object（Object）,
Vec = vector_space（Object）.
applies_tqft（Morphism, LinMap） :-
morphism（_, _, Morphism）,
LinMap = linear_map（Morphism）.
タロウ:
Prolog で、圏論的構造を論理推論として書ける!
ミナ:
そう。Prolog の精神は、「数学的構造を、推論可能な命題の集合として捉える」 こと。
これは、TQFT の Atiyahの公理を、コンピュータが機械的に検証する、最も古典的なアプローチね。
９つの言語の地図 ── まとめ
ミナ:
ここまで皆様と一緒にみてきた９つの言語を、改めて整理します。
| 言語 | 主な役割 | TQFT との関係 | 産業実例 |
|---|---|---|---|
| Python（NumPy/SciPy） | 数値計算・Frobenius 代数 | Atiyah-Kock 対応の実装 | 機械学習エンジニアの標準 |
| Python（PennyLane+PyTorch） | 量子-古典ハイブリッド ML | Topological Quantum Computing | Xanadu、PennyLane エコシステム |
| Haskell | 圏論的図式の直接表現 | Categorical Quantum Mechanics | Oxford、Quantinuum |
| Idris | 依存型による形式検証 | Atiyah 公理の機械検証 | 産業安全性検証（航空、医療） |
| Julia | 高速数値線形代数 | Atiyah-Singer 指数定理の計算 | Catlab.jl（MIT）、JuliaMath |
| Lean 4 | Mathlib による現代数学形式化 | 圏論ライブラリ、TQFT 公理 | Mathlib（Terence Tao 参加） |
| Coq | 形式証明系の本道 | UniMath、4色定理形式化 | CompCert（C コンパイラ検証） |
| Cubical Agda | HoTT の計算可能実装 | 高次圏論、Cobordism Hypothesis | Voevodsky の遺産 |
| Mathematica | 記号計算・数値計算統合 | 結び目不変量、Jones 多項式 | Witten 本人が使用 |
| Prolog | 論理プログラミング | 圏論的推論の論理表現 | シンボリック AI、定理証明 |
機械学習プログラマの皆様への学習順序の推奨:
第１に、Python（NumPy/SciPy） から始める ── 日常の延長線上で、TQFT の片鱗を体感
第２に、Python（PennyLane + PyTorch） で、量子-古典ハイブリッドの世界に入る
第３に、Juliaで、数値計算と圏論的構造の橋渡し（Catlab.jl）
第４に、Haskellで、圏論的思考に慣れる
第５に、Idris または Lean 4で、形式検証の世界に入る
第６に、Mathematica または Coqで、TQFT の研究現場の道具に触れる
第７に、Cubical Agdaで、HoTT・高次圏論の最深部へ
第８に、Prologで、論理プログラミングの歴史的視座を得る
これら全てを、5〜10年の時間軸で、ゆっくり学んでいけば、TQFT の研究現場と、機械学習の最先端を、両方視界に入れた、極めて稀な人材になれます。
第４幕 ── Witten（1988年）── 物理から TQFT へ
（成熟度：★★★★★ 確立した数学史）
ミナ:
ここからは、TQFT を生み出した３人の立役者 ── Witten・Atiyah・Lurie を、ひとりずつ見ていきます。まずは、その口火を切った Edward Witten から。
Edward Witten（1951-、アメリカ、プリンストン高等研究所）。
理論物理学者でありながら、1990年にフィールズ賞 を受賞した、史上初の人物。
タロウ:
物理学者で、数学のフィールズ賞？
ミナ:
そう。普通、フィールズ賞は数学者にしか与えられない。けれども、Witten の業績は、数学そのものに、極めて深い影響を与えたため、特別に与えられた。
Witten の核心的貢献
1988年、Witten は、「Topological Quantum Field Theory」を構築した（Communications in Mathematical Physics, 117（3）, 1988年に出版）。
具体的には:
第一に、Topological Sigma Model:位相不変な場の理論
第二に、Chern-Simons 理論:3次元 TQFT、結び目の不変量（Jones 多項式）を計算
第三に、Donaldson 理論:4次元多様体の不変量
これらは、物理学から数学への、革命的な贈り物だった。
タロウ:
物理から、数学への贈り物？
ミナ:
そう。Witten が、物理学的な直感で構築した理論が、数学者には予想できなかった、深い数学的構造を、次々と明らかにした。
例えば、結び目の Jones 多項式（Vaughan Jones が1984年に発見、1990年フィールズ賞）は、純粋数学の発見だった。けれども、Witten は、これを、3次元 Chern-Simons 理論の経路積分として、自然に導出した。
これにより、物理と数学の境界が、根本的に書き換えられた。
Witten のもう一つの世界 ── $M$ 理論
ミナ:
Witten は、**1995年、$M$ 理論（M-theory）**を提唱した。
これは、5つの異なる弦理論を、1つの11次元の理論として統合する、極めて野心的な試み。
「M」が何を意味するかは、Witten 自身も明言していない:
- Magic, Mystery, Membrane, Mother of all theories ── 様々な解釈がある
M 理論は、現代の理論物理学の最大の構想の一つ。物理学界では、「最終理論（Theory of Everything）の最有力候補」 として扱われている。
タロウ:
M 理論って、SF みたいですね。
ミナ:
現実の最先端物理学。
そして、Witten・Atiyah は、プリンストン高等研究所 （IAS） の象徴的人物の一人。
現代のAI研究（Anthropic、OpenAI、DeepMind）も、彼らが切り開いた抽象的思考の伝統から、間接的に育っている。
第５幕 ── Atiyah（1988年）── TQFT の数学的公理化
（成熟度：★★★★★ 確立した数学史）
ミナ:
Michael Atiyah（1929–2019、イギリス）。
1966年にフィールズ賞、2004年にアーベル賞 ── 数学界の二つの偉大な賞を、両方とも受けた、とても稀な数学者なの。
Atiyah の最大の業績は、Atiyah–Singer の指数定理（1963年、Isadore Singer との共同研究）です。
解析学・トポロジー・微分幾何・代数幾何を、たった一つの定理で結びつけた、20世紀後半の数学で最大の成果のひとつよ。
Atiyah による TQFT の公理化
ミナ:
Atiyah は、Witten の物理学的なアイデアを、数学的に厳密な形へと公理化したの。
1988年、Atiyah は、わずか20ページほどの簡潔な論文で、TQFT の数学的な定義を、とても美しい形で示してみせたわ。
「n 次元の TQFT とは、（n−1）次元の有向多様体の圏から、ベクトル空間の圏への、対称モノイダル関手である」
これが、TQFT の現代的な定義の出発点になったの。
タロウ:
たった20ページで、現代数学の重要な分野を、定義してしまったんですか?
ミナ:
そう。Atiyah の論文は、とても短くて、とても美しいの。世界中の数学者や物理学者が、いまもこの公理化を、TQFT 研究の標準として使っているわ。
Witten と Atiyah の関係
ミナ:
Witten と Atiyah の関係は、現代数学・物理学の歴史のなかでも、もっとも重要な共同関係のひとつなの。
- Witten が、物理的な直感から、新しい理論を組み立てる。
- Atiyah が、数学的な厳密さで、その理論を公理化する。
この二人の協力が、1980年代後半から1990年代にかけての数学と物理学に、革命的な進展をもたらしたの。
Atiyah が Witten を評した、こんな言葉が残っているわ（1990年、フィールズ賞授賞式での演説）。
「Witten は、数学者ではないにもかかわらず、過去十年間、世界の数学にもっとも深い影響を与えた人物である」
これは、物理学者に数学のフィールズ賞を与えるという前代未聞の決定を、Atiyah が数学コミュニティに納得させた、その瞬間だったの。
第６幕の前に ── 「高次圏」への、最小限の足場
（成熟度:★★★★☆ 確立した数学。ただし説明は直観を優先します）
次の第6幕では、「(∞,n)-圏」「完全双対化可能対象」という、聞き慣れない言葉が出てきます。
ここでつまずかないよう、その手前に、ほんの小さな足場を架けておきます。
目標は厳密な定義ではなく、「圏には"段"がある」という感覚をつかむことだけです。
これまで、圏（カテゴリー）を「対象と、その間の**矢印（射）**からなる構造」として使ってきました。
たとえばコボルディズムの圏なら、対象は図形（多様体）、矢印はそれをつなぐ管（コボルディズム）でしたね。
ところが、数学を進めると、「矢印と矢印のあいだの関係」 まで考えたくなる場面が出てきます。
- ふつうの圏（1-圏）：対象があり、その間に 矢印 がある。
- $2$-圏：それに加えて、矢印から矢印への矢印（「2次の矢印」）がある。
- $n$-圏：この「矢印の上の矢印の上の矢印……」を、n 段まで許したもの。
- $∞$-圏：段を上限なく、無限に許したもの。
イメージとしては、こうです。
1-圏が「点と、点をつなぐ線」だとすれば、2-圏は「さらに、線と線のあいだを埋める面」を持ち、3-圏は「面と面のあいだを埋める立体」を持つ
── というように、ひとつ上の次元のつながりを、次々に積み増していくのが、高次圏 です。
なぜ TQFT にこれが要るのか。理由はシンプルです。
TQFT は「次元」を扱う理論だからです。
点・線・面・立体……と、図形の次元が上がっていくのに合わせて、それを受け止める圏の側にも「段」が必要になります。
$n$ 次元の図形のつながりを丸ごと扱うには、$n$ 段の矢印を持つ圏
── すなわち $n$-圏、そして次元に上限を設けないなら $∞$-圏
── がちょうどよい器なのです。
HoTT との接点（深入りはしません）：
姉妹編 Zenn Book で扱った HoTT（ホモトピー型理論） は、「等しさ」を一点ではなく "道（path）" として捉える数学でした。実は、この「道のあいだに、さらに道があり……」という入れ子の構造は、いま見た ∞-圏の「矢印の上の矢印」とぴたりと重なります。
HoTT と高次圏が地続きなのは、このためです。この交差点こそ、続編記事『TQFT × 高次圏 × HoTT』で正面から扱うテーマです。
足場はこれで十分です。「圏には段があり、TQFT は次元を扱うから高い段の圏（高次圏）を必要とする」 ── この一点だけ持って、次の第6幕へ進みましょう。そこで Lurie が、この高次圏の言葉を使って、あらゆる次元の TQFT を一気に分類してみせます。
なお、より次元の高い段階へと無限に上に階段を上がっていく様子は、以下の記事の最後の部分でも取り上げています。
２つの「階段」の関係について（正確を期すための補足）
ここで、１点だけ、明確にしておきます。本節で積み上げてきた「矢印の上に、さらに矢印を重ねる」という階段は、高次圏の階段です（圏の段数 n を上げていく、n-圏 → ∞-圏 の話）。
他方で、先ほど挙げた記事の結章が積み上げているのは、これとよく似た、しかし別系統の階段 ── ∞-トポス／HoTT における「等しさ（同一性）の階層」 です。「$A$ と $B$ が等しい」の上に「その２つの等しさが、さらに等しいか」を重ね、その上へと続けて、"等しさの証明（道）" を限りなく積み上げていく塔です。
両者は、「ひとつ上の段にある"道（射）"を、次の段では"点"とみなし、同じ問いを繰り返す」という構成原理を共有し、∞-圏と ∞-トポス／HoTT は Shulman の結果によって理論的に結びついています。
ただし、両者は同一の概念ではありません。
したがって姉妹記事は、「同じ対象の解説」ではなく、同じ構成原理を共有する隣接した話題として参照してください。
第6幕 ── Lurie のコボルディズム仮説（2009）── TQFT の高次圏論的分類
（成熟度：★★★★☆ 広く受容。証明は詳細な概略）
ミナ:
1990年代以降、TQFT の研究は、さらに深く、抽象的になっていった。
その中心人物が、Jacob Lurie（1977-、アメリカ、Harvard 大学、Institute for Advanced Study）。
Lurie は、現代の圏論研究の最大の指導者の一人。
コボルディズム仮説（Cobordism Hypothesis）
ミナ:
1995年、John Baez（UC Riverside）と James Dolanが、コボルディズム仮説 を提唱しました。
「完全拡張 TQFT は、対称モノイダル （∞,n）-圏における完全双対化可能対象によって分類される」
これは、TQFT を、高次圏論の言語で、完全に分類する、極めて野心的な構想よ。
2009年、Lurie が、約 200 ページの論文で、コボルディズム仮説を、ほぼ完全に証明したんです
（ On the Classification of Topological Field Theories ）。
タロウ:
200ページ？
ミナ:
そうよ。
現代数学の中で、最も野心的で、最も難しい論文の一つ。
そして、Lurie は、Higher Topos Theory（2009年、約 950 ページの大著）で、高次圏論（higher category theory） の現代的な基盤を、ひとりで築き上げたの。
これは、姉妹編 Zenn Book『論理学から AI Safety へ』で論じた、$∞$-圏論の基盤でもあるのよ。
TQFT と機械学習の接続点
ミナ:
ここで、本記事の最も重要な接続点を紹介するわね。
Lurie の高次圏論は、いま、現代の機械学習研究でも、少しずつ活用され始めているの。
第１に、圏論的深層学習（Categorical Deep Learning）（Bruno Gavranović らの研究）── ニューラルネットを圏論の言葉で定式化する試み。
第２に、∞圏的な深層学習── 深層ネットワークの層構造を、高次圏論で記述する方向。
第３に、TopoModelX（PyTorch ベース、2024年公開）── 位相的深層学習（Topological Deep Learning）の標準ライブラリ。
どれも、「TQFT の精神」が機械学習へ流れ込んでいる現場だと言えるわ。
タロウ:
Lurie の純粋数学の研究が、機械学習に流れ込んでいるんですか？
ミナ:
そう。まだ研究の最前線だけれど、この先 5〜10年で、機械学習の主流に合流してくる可能性が高い領域だと、私は見ているの。
第７幕 ── 機械学習プログラマへの実装ガイド ── TDA、TDL、QML
（成熟度：TDA ★★★★☆ ／ TDL ★★★☆☆ 活発な研究 ／ QML ★★☆☆☆ 有望な仮説）
ミナ:
さて、ここまで TQFT の理論的背景を整理してきました。
ここから、Python 機械学習プログラマが、明日から実装できる、3つの応用分野を、具体的に紹介します。
応用１: TDA（Topological Data Analysis、位相的データ解析）
ミナ:
TDAは、いちばん実装しやすい応用分野なの。
まず押さえておきたい主要なライブラリを挙げておくわね。
- giotto-tda（Python、scikit-learn 互換。まずはこれがおすすめ）
- ripser（高速で、Persistent Homology に特化）
- GUDHI（C++ コア＋Python バインディング。研究者向け）
実装例: 時系列データから位相的特徴量を抽出
# 時系列データから、位相的特徴量を抽出する完全な例
import numpy as np
from gtda.time_series import SingleTakensEmbedding
from gtda.homology import VietorisRipsPersistence
from gtda.diagrams import PersistenceEntropy, NumberOfPoints, Amplitude
# 1. 時系列データの生成（例:複雑な周期信号）
np.random.seed（42）
t = np.linspace（0, 10, 500）
signal = np.sin（2 * np.pi * t） + 0.5 * np.sin（5 * np.pi * t） + 0.1 * np.random.randn（500）
# 2. Takens 埋め込み（時系列 → 高次元点群への変換）
embedder = SingleTakensEmbedding（
parameters_type="search",
dimension=3, # 埋め込み次元
time_delay=10, # 時間遅延
）
embedded = embedder.fit_transform（signal）
print（f"埋め込み後の形状: {embedded.shape}"）
# 3. Vietoris-Rips の Persistent Homology を計算
VR = VietorisRipsPersistence（homology_dimensions=[0, 1, 2]）
diagrams = VR.fit_transform（[embedded]）
# 4. 特徴量を複数の指標で抽出
PE = PersistenceEntropy（） # ホモロジーのエントロピー
NP = NumberOfPoints（） # 持続点の数
AMP = Amplitude（） # 振幅
features_entropy = PE.fit_transform（diagrams）
features_points = NP.fit_transform（diagrams）
features_amplitude = AMP.fit_transform（diagrams）
print（f"\n=== 位相的特徴量 ==="）
print（f"Persistence Entropy: {features_entropy[0]}"）
print（f"Number of Points: {features_points[0]}"）
print（f"Amplitude: {features_amplitude[0]}"）
# これらの特徴量を、scikit-learn の分類器・回帰器に渡せる
# from sklearn.ensemble import RandomForestClassifier
# clf = RandomForestClassifier（）
# clf.fit（features_combined, labels）
産業での応用例としては、こんなところね。
- 金融時系列の異常検出 ── 市場の構造変化を、位相的な指標でとらえる。
- 製造現場の予知保全 ── 振動センサーのデータから、機械の異常を早めに見つける。
- 医療（脳波・心電図） ── 周期性の変化や、てんかん発作の予兆を読み取る。
- サイバーセキュリティ ── ネットワーク通信の異常なパターンを検出する。
応用２: TDL（Topological Deep Learning、位相的深層学習）
ミナ:
TDL は、2023〜2026 年にかけて急速に発展している最前線の分野なの。
まず、主要なライブラリを挙げておくわね。
- TopoModelX（PyTorch ベース、Mustafa Hajij ら、2024年公開）
- TopoNetX（NetworkX を位相的に拡張したもの）
核心にある発想はこう。従来の GNN（グラフニューラルネットワーク）は、グラフの上での「メッセージのやり取り」しか扱えなかったの。
それに対して TDL は、もっと高次の位相構造 ── 単体複体、セル複体、ハイパーグラフ ── の上で、そのメッセージのやり取りを定義できるのよ。
# TopoModelX を使った、簡単な単体複体ニューラルネット
# （実際のインストール:pip install topomodelx）
import torch
import torch.nn as nn
# 注:以下は概念的なコードであり、TopoModelX の API は急速に進化中
# （2026年時点での標準的な使い方）
class SimplicialNeuralNetwork（nn.Module）:
"""
単体複体上のニューラルネット
0-単体（頂点）、1-単体（辺）、2-単体（三角形）を、それぞれ別の埋め込みで扱う
"""
def __init__（self, dim_0, dim_1, dim_2, hidden_dim=64）:
super（）.__init__（）
# 各次元の単体に対する線形変換
self.W0 = nn.Linear（dim_0, hidden_dim）
self.W1 = nn.Linear（dim_1, hidden_dim）
self.W2 = nn.Linear（dim_2, hidden_dim）
# 次元間のメッセージパッシング
self.W01 = nn.Linear（hidden_dim, hidden_dim） # 頂点 → 辺
self.W12 = nn.Linear（hidden_dim, hidden_dim） # 辺 → 三角形
def forward（self, x_0, x_1, x_2, boundary_01, boundary_12）:
"""
x_0: 頂点の特徴量
x_1: 辺の特徴量
x_2: 三角形の特徴量
boundary_01: 頂点 → 辺の境界行列
boundary_12: 辺 → 三角形の境界行列
"""
h_0 = torch.relu（self.W0（x_0））
h_1 = torch.relu（self.W1（x_1））
h_2 = torch.relu（self.W2（x_2））
# 次元間のメッセージパッシング
h_1 = h_1 + self.W01（boundary_01.T @ h_0） # 頂点から辺へ
h_2 = h_2 + self.W12（boundary_12.T @ h_1） # 辺から三角形へ
return h_0, h_1, h_2
# 使用例
net = SimplicialNeuralNetwork（dim_0=10, dim_1=10, dim_2=10）
# 入力データ（疑似データ）
x_0 = torch.randn（5, 10） # 5頂点
x_1 = torch.randn（7, 10） # 7辺
x_2 = torch.randn（3, 10） # 3三角形
boundary_01 = torch.randn（5, 7） # 頂点-辺の関係
boundary_12 = torch.randn（7, 3） # 辺-三角形の関係
h_0, h_1, h_2 = net（x_0, x_1, x_2, boundary_01, boundary_12）
print（f"頂点埋め込み: {h_0.shape}"）
print（f"辺埋め込み: {h_1.shape}"）
print（f"三角形埋め込み: {h_2.shape}"）
産業での応用例としては、こんなところね。
第１に、分子設計── タンパク質や薬剤分子の高次の構造を、TDL で学習する。
第２に、3D 点群処理── LiDAR や CAD のデータを認識・分類する。
第３に、ソーシャルネットワーク分析── コミュニティの高次構造を見つけ出す。
第４に、金融市場分析── 相関構造の、高次的な変化をとらえる。
応用３: QML（Quantum Machine Learning、量子機械学習）
ミナ:
QML は、いちばん長い目で見たときに効いてくる応用分野なの。
その背景には、TQFT の物理的な実装ともいえる トポロジカル量子計算（Topological Quantum Computing、TQC） があって、いま Microsoft や Google、IBM などで研究が進んでいるわ。
タロウ:
え？ Microsoft とかがですか？ どういうビジネス応用を狙っているんですか？
ミナ:
いい質問ね。
Microsoft は、もう20年近く、「トポロジカル量子ビット」という、ほかと違う方式に賭け続けているの。
ふつうの量子コンピュータ（IBM や Google の超伝導方式）の泣きどころは、ノイズにとても弱くて、すぐ計算が壊れてしまうこと。だから、誤りを訂正するためだけに、膨大な数の量子ビットを使わなければならないの。
そこで Microsoft が狙っているのが、TQFT の精神
── 「位相は、少々の揺らぎでは壊れない」── を、ハードウェアそのものに作り込む、という戦略。
ふつうの量子ビットは、情報を一か所に置くから、そこにノイズが当たると壊れてしまう。
そうではなく、情報を一か所に集めず、全体に薄く広げて持たせれば、一部分がノイズで乱されても、情報そのものは壊れにくい
── そういう、最初から頑丈な量子ビットを作ろうとしているの。
2025年には、その第一歩として Majorana 1 というチップを発表したわ。
タロウ:
最初から壊れにくいなら、誤り訂正に量子ビットを大量に使わずに済む、ということですか？
ミナ:
そういうこと。
誤り訂正のコストを、根っこから下げられるかもしれない ── それが狙い。
うまくいけば、100万量子ビット級へのスケールが、ほかの方式より早く見えてくる、という賭けなの。
創薬や材料設計、最適化といった、いまの計算機では手の届かない産業課題が、その先にある。
ただし、ここは正直に言っておくわね。
Majorana 1 が「本当に位相的な量子ビットなのか」は、まだ確定していないの。
観測された状態が、目当てのマヨラナ・モードなのか、それとも見分けのつきにくい別物（アンドレーエフ・モード）なのか ── そこが、専門家のあいだでまだ論争になっている（成熟度 ★★☆☆☆）。
だから、「TQFT が、もう産業を動かしている」とまでは言えない。
言えるのは、TQFT の"位相による頑健性"という発想に、世界トップ級の企業が長期で賭けている、という事実までよ。
── と、ここまでは壮大な話。でも、その入口になら、あなたは今日から触れられるの。
まず、主要なライブラリを挙げておくわね。
- PennyLane（Xanadu製。古典と量子のハイブリッド向け）
- TensorFlow Quantum（Google）
- Qiskit Machine Learning（IBM）
# PennyLane を使った、簡単な変分量子回路
# （古典機械学習プログラマが、量子計算の世界に入る入口）
import pennylane as qml
import numpy as np
# ２量子ビットのデバイスを作成
dev = qml.device（"default.qubit", wires=2）
@qml.qnode（dev）
def variational_quantum_circuit（weights, x）:
"""
変分量子回路（VQC）
古典機械学習の「重み」に相当する weights を、量子回路のパラメータとして使用
"""
# データのエンコーディング
qml.AngleEmbedding（x, wires=[0, 1]）
# 変分層
qml.RY（weights[0], wires=0）
qml.RY（weights[1], wires=1）
qml.CNOT（wires=[0, 1]）
qml.RY（weights[2], wires=0）
qml.RY（weights[3], wires=1）
# 観測量の期待値を返す（分類器の出力に相当）
return qml.expval（qml.PauliZ（0））
# 使用例: 量子回路の出力を計算
weights = np.random.randn（4）
x_input = np.array（[0.5, -0.3]）
output = variational_quantum_circuit（weights, x_input）
print（f"量子回路の出力: {output:.4f}"）
# 古典機械学習との統合:
# - weights を、PyTorch や TensorFlow の Variable として扱える
# - 通常の勾配降下で学習可能
# - 量子回路を「特殊なニューラルネット層」として組み込める
長期的な応用の展望（5〜20年）として、次のような方向が考えられます。
第１に、量子コンピュータが本格的に産業化したとき、QML エンジニアの需要が大きく高まると見られます。
第２に、トポロジカル量子計算（Topological Quantum Computing、TQC）。Microsoft Station Q などが推進しており、マヨラナ粒子（Majorana fermion）にもとづく位相的な量子ビットが実用化する可能性があります。
第３に、量子化学・創薬。分子シミュレーションにおける量子優位性が期待されます。
第４に、金融の最適化。ポートフォリオの最適化やリスク評価への応用が見込まれます。
第８幕 ── AI Agent、LLM と TQFT の接続点
（成熟度：★★☆☆☆〜★☆☆☆☆ 有望な仮説〜著者の見解。「事実」ではなく「展望」として読んでください）
左はTransformer(LLMの基本構造)を、右はTQFTのコボルディズムを、それぞれ模式化したものです。
中央は、両者のあいだに見いだせる構造的な対応を並べています。いずれもアナロジーであって、現時点で確立した同一視ではありません（成熟度★★☆☆☆）。
タロウ:
ミナさん、ここまで TQFT の理論と、TDA/TDL/QML への応用を見てきましたが、LLM や AI Agent と、TQFT は、どうつながるんですか？
ミナ:
これは、いままさに研究が進んでいる領域だから、確定的なことは言えないの。
でも、いくつかの興味深い接続点があるから、整理してみるわね。
接続点１: アテンションの圏論的構造
ミナ:
Transformer の注意機構（Attention） は、見方を変えると、「単体（シンプレックス）の上の、重み付き和」 として書き表せるの。
具体的には、こう考えられるわ。
-
クエリ・キー・バリュー（Query / Key / Value） は、ベクトル空間の元 ── つまり圏 $Vect_k$ の対象。
-
注意の重み（attention weights） は、ベクトル空間の上の確率分布。
- 複数ヘッドの注意機構（Multi-head Attention） は、並列に置かれたテンソル積の構造 ── モノイダル積にあたるもの。
これは、TQFT の対称モノイダル構造と、構造のうえで似ているの（成熟度 ★★☆☆☆ ── 同一ではなく、あくまで構造的なアナロジー）。
最近は、こんな研究も出てきているわ。
第１に、Bruno Gavranović「Categorical Foundations of Gradient-Based Learning」（2022年）── 機械学習を圏論の言葉で定式化する試み。
第２に、Petar Veličković ら「Categorical Deep Learning」（Google DeepMind、2024年）── グラフニューラルネットワーク（GNN）を、圏論的に組み立て直す研究。
第３に、渡辺澄夫ら「Algebraic Geometry and Statistical Learning Theory」── 統計的学習を代数幾何で扱う理論。
どれも、「TQFT の精神が、機械学習の理論へ流れ込み始めている」動き だと、私は見ているの。
接続点２: AI エージェントの合成的構造
ミナ:
AI エージェントどうしの協調も、コボルディズムに似た構造として捉えられるの。
たとえば、複数の AI エージェントが協力して、ひとつのタスクをこなす場面を考えてみて。
- エージェント A:情報を集める → 情報を処理する。
- エージェント B:処理された結果 → 意思決定。
- A から B へ:タスクの引き継ぎ（hand-off）。
この「A から B への引き継ぎ」を、**「エージェント A から エージェント B への、コボルディズム」**として、自然に読み解けるのよ。
実際、Anthropic や OpenAI、Google DeepMind では、複数エージェントのシステムを形式的に記述するために、圏論的なアプローチが少しずつ検討され始めているわ。
接続点３: 複数の道具を組み合わせて使う構造
ミナ:
LLM が、いくつもの道具を次々に呼び出して使うとき（たとえば Claude の道具利用や、ChatGPT の関数呼び出し〔Function Calling〕）
── その構造も、やっぱりコボルディズム的なの。
- 道具 A の出力 → 道具 B の入力。
- 複数の道具を並行して動かす → 結果をひとつに統合する。
これは、オープンゲーム（Open Games）（姉妹記事「圏論はゲーム理論を書き換える」で扱ったもの）や、対称モノイダル圏の構造と、深くつながっているわ。
接続点４: 幾何学的ラングランズとAI
ミナ:
最後に、いちばん野心的な接続点を紹介するわね。
Edward Frenkel（カリフォルニア大学バークレー校）が、最近の論文で、幾何学的ラングランズ・プログラム（Geometric Langlands）と AI のつながりを示唆しているの。
幾何学的ラングランズというのは、Kapustin と Witten（2007年）が**S 双対（電磁双対）**との関係を示した、数論幾何のいちばん深いところにある領域。
Frenkel が2023〜2024年の講演で語った見立てはこう
── 深層学習の構造そのものが、幾何学的ラングランズと、深い構造的な類似を持つかもしれない。
これは、まだ確立された研究ではありません
（成熟度 ★☆☆☆☆ ── 現時点では、著者の予想を多分に含む見立て)。
けれども、この先 5〜10年のうちに、AI とラングランズ・プログラムのつながりが、新しい研究分野として育っていくかもしれない
── そう考えるだけの面白さは、十分にあると私は思っているの。
接続点５: 形式検証とAIアライメント ── 数学を計算機で証明する道
ミナ:
（成熟度:形式検証 ＝ ★★★★☆ 実用技術 ／ AI アライメントへの応用 ＝ ★★☆☆☆ 有望な仮説）
最後の接続点は、TQFT そのものというより、TQFT を支える圏論・型理論・形式検証の系譜が、AI の安全性とどうつながるか、という話なの。ここは思弁に流れやすいから、一本の線として整理するわね。
**数学の形式化（証明を計算機で検証できる形にすること）**── 数学の証明を、人間ではなく計算機が確かめられる形で書く試みのこと。
その主役が、Lean（Microsoft Research の Leonardo de Moura が設計）や Coq、Agda よ。Mathlib という大きなプロジェクトで、現代数学が次々と形式化されているの。
この流れは、一本の道として読めるわ。
数学の形式化 → Lean などの証明支援系 → 検証された推論（Verified Reasoning）→ AI アライメント（AI の整合性保証）
なぜ AI の安全性につながるのか。Physical AI や自律エージェントの時代には、「この AI は安全だ」ということを、ユニットテスト（有限個の例で確かめるやり方）ではなく、数学的な証明として保証することが求められ始めるの。
そのときに必要になるのが、まさに Leanのような 証明支援系で「仕様を満たしていること」を形式的に検証する技術。そして、その証明支援系の土台にあるのが、カリー・ハワード・ランベック対応（論理 ＝ 型 ＝ 圏）
── つまり、TQFT と同じ、圏論の言葉 なのよ。
ただ、正直に言っておくわね。
「TQFT そのものが AI の安全性の基盤になる」と言えるほど直接的な結果は、まだないの。
確実に言えるのは、〈圏論・型理論・形式検証〉という共通の数学的な土台を、TQFT と AI の安全性が分かち合っている、ということだけ。
ここを混同しないことが、とても大事なのよ。
この一本道 ── 論理から形式検証、そして AI の安全性へ ── の全体像は、姉妹編 Zenn Book『論理学から AI Safety へ』で、8つの言語の実装とともに、ひと続きの登山道として歩いているわ。
この記事では地図の一区画として示すにとどめるから、深く分け入りたい人は、ぜひそちらを読んでみてね。
機械学習プログラマと専門研究者、両方への呼びかけ
リサ先生:
最後に、この記事のいちばん大切な呼びかけを、二つの読者の方へ。
機械学習プログラマの皆様へ。
TQFT を視界に収めておくと、いま芽吹きつつある研究 ── 圏論的深層学習、位相的深層学習、量子機械学習 ── の動きを、早いうちから見渡せるようになります。
すぐに仕事で使う知識ではないかもしれません。
けれど、これから数年のあいだに、これらの分野がどこへ向かうのかを、自分の地図の上で追えるようになる。それは、静かに効いてくる強みだと思います。
TQFT・数理物理の専門研究者の皆様へ。
AI（LLM、AI エージェント、機械学習）は、TQFT や圏論の応用先として、これからとても面白くなり得る領域です。
実際に Anthropic や OpenAI、Google DeepMind では、圏論的なアプローチが少しずつ検討され始めています。皆様のご研究が、いつか AI の根っこの部分とつながっていく
── その可能性は、十分にあると考えています。抽象的な数学が、現実の AI を動かす言葉になる日も、そう遠くないのかもしれません。
第９幕 ── 学習ロードマップ ── 高校数学から TQFT 専門書まで
（成熟度：実用情報）
ミナ:
最後に、高校数学を忘れた読者から、TQFT の専門書・論文を読めるようになるまでの、ひとつの参考になりうる学習ロードマップを、提示します。
ステップ１: 高校数学・高校物理の復習（1〜3ヶ月）
必要な知識:
- 三角関数、指数・対数、複素数の基礎
- 微分・積分の基礎
- ベクトル、行列の入門
- 古典力学（ニュートン力学）、電磁気の基礎
推奨教材:
- 高校の教科書（数学Ⅲ、物理基礎、物理）
- 『マセマ』シリーズ（分かりやすい大学数学入門）
ステップ２: 大学初級数学・物理（6ヶ月〜1年）
学ぶべきこと:
数学:
- 線形代数:ベクトル空間、線形写像、固有値・固有ベクトル
- 微分積分学:多変数関数の微積分、テイラー展開
- 集合と位相:位相空間、連続性、コンパクト性
物理:
- 解析力学:Lagrangian、Hamiltonian、最小作用の原理
- 電磁気学:Maxwell の方程式
- 量子力学入門:Schrödinger 方程式、ヒルベルト空間
推奨教材:
- Strang『Introduction to Linear Algebra』
- Apostol『Calculus』
- Munkres『Topology』
- Griffiths『Introduction to Quantum Mechanics』
ステップ３: 大学院初級（1〜2年）
学ぶべきこと:
数学:
- 代数的位相幾何学:ホモロジー、コホモロジー、基本群
- 圏論入門:対象、射、関手、自然変換、随伴
- 微分幾何:多様体、リー群、リー代数
- 抽象代数学:群、環、加群、体
物理:
- 場の量子論（QFT）入門:経路積分、Feynman 図、繰り込み
- 一般相対論:時空の幾何学
- 統計力学:分配関数、相転移
推奨教材:
- Hatcher『Algebraic Topology』（無料、http://pi.math.cornell.edu/~hatcher/AT/AT.pdf）
- Mac Lane『Categories for the Working Mathematician』
- Peskin-Schroeder『An Introduction to Quantum Field Theory』
- Lee『Introduction to Smooth Manifolds』
ステップ４: TQFT 入門（1〜2年）
学ぶべきこと:
TQFT の基礎:
- Atiyah 1988年論文:わずか20ページの公理化
- Witten 1988年論文:物理的背景
- 2次元 TQFT と Frobenius 代数
推奨教材:
- Atiyah, M. （1988）. "Topological quantum field theories." Publications Mathématiques de l'IHÉS, 68, 175-186.（必読、最初の論文）
- Kock, J. （2003）. Frobenius Algebras and 2D Topological Quantum Field Theories. Cambridge University Press.（極めて読みやすい入門書）
- Witten, E. （1989）. "Quantum field theory and the Jones polynomial." Communications in Mathematical Physics, 121（3）, 351-399.（Witten の革命的論文）
ステップ５: 研究最前線（2〜5年）
学ぶべきこと:
現代的な拡張:
- Higher Category Theory（高次圏論）:Lurie の体系
- Extended TQFT:Baez-Dolan, Lurie
- Geometric Langlands Programme:Frenkel, Kapustin-Witten
- Categorical Deep Learning:Gavranović, Veličković
- Quantum Machine Learning:Schuld, Killoran
推奨教材:
- Lurie, J. （2009）. "On the Classification of Topological Field Theories."（現代 TQFT の聖典、200ページ）
- Lurie, J. （2009）. Higher Topos Theory. Princeton University Press.（高次圏論の決定版、950ページ）
- Frenkel, E. （2007）. "Lectures on the Langlands Program and Conformal Field Theory."（Geometric Langlands 入門）
ロードマップの所要時間
完全初心者から TQFT 専門書が読めるまで:5〜10年
これは、確かに長い旅ですが、Étale Cohomology が読者の皆様に約束できることは ──
「この旅に踏み出した日から、あなたの世界の見え方は、確実に変わり始める」
結章 ── TQFT を視界に収める、ということ
（まとめ）
夜空に浮かぶのは、この記事でたどった4つの姿
——トーラス(トポロジー)、コボルディズム(TQFT)、ニューラルネット(機械学習)、そして散乱図(場の量子論)。>金の線が示すように、それらは別々の星ではなく、ひとつの空でつながっています。
ミナ:
さて、今日の対話の、最後にまとめましょう。
TQFT を視界に収める、ということ
第一に、TQFT は、現代数学・物理学の最深部の宝石。
Witten・Atiyah・Lurie が築いた、幾何 ⇄ 代数 ⇄ 計算の三位一体。
第二に、TQFT は、すでに機械学習に流れ込んでいる
TDA、TDL、QML として、産業界の実用技術になりつつある。
第三に、TQFT は、次の AI 革命の数学的基盤になる可能性が高い
Categorical Deep Learning、
Geometric Langlands × AI、
Quantum Machine Learning
第四に、TQFT を視界に収めた機械学習プログラマは、5〜10年後の AI と数理科学の境界を、独自の視座で眺められる。
第五に、TQFT を視界に収めた数理科学研究者は、自らの研究の AI 応用の可能性を、視界に入れることができる。
真の意味
ミナ:
TQFT を視界に収める、ということは、「世界を、より深く見る目」を持つ、ということ。
形と量子と計算が、本質的に同じものであるという、20世紀後半の最大の数学的発見を、自分の身体感覚で理解する。
これは、目先の仕事を超えて、知的な人生を、少し豊かにしてくれる営み。
タロウ:
ミナさん、今日の対話、本当に深く勉強になりました。
特に、「TQFTが、すでに私たちの仕事に流れ込んでいる」 という気づき
── これは、僕の世界の見方を、根本から変える発想でした。
ミナ:
こちらこそ、ありがとう。
そして、本記事の読者の皆様にも、確実にお伝えしたいことがあります ──
今日、この記事を読み終えた瞬間から、皆様は TQFT を視界に収めた人になります。
5年後、10年後、20年後、この視界が、皆様の知的な歩みを、静かに支えてくれるはずです。
Witten・Atiyah・Lurie の世界は、もう、皆様にとって遠い空ではなく、皆様の仕事と人生に、確かにつながる星座として、頭上に輝き始めます。
Witten・Atiyah・Lurie の世界は、もう、遠い夜空ではありません。
位相幾何・場の量子論・高次圏という３つの星座は、あなたの仕事と人生に、確かにつながる光として、頭上に輝き始めます。
リサ先生:
ありがとう、ミナさん、タロウくん。
そして、皆様にも、ぜひ、お伝えしたい ──
読者の皆様も是非、ご自分のペースで、TQFT の地平に向かって歩んでください。
5年、10年、20年
── 皆様が、いつか、Witten・Atiyah・Lurie の言葉を、自然に読めるようになる日。
その日、本記事の対話を思い出していただけたら、嬉しく思います。
タロウ:
ありがとうございました、ミナさん、リサ先生。
ミナ:
ではまた、次の研究室で。
この先の地図 ── 続編（スピンアウト）と、姉妹編 Zenn Book
（この記事は、より大きな地形の一部です）
本記事は、TQFT という一つの峰を中心に据えた「登山地図」です。
けれども、この山域には、まだ歩き切れていない尾根がいくつもあります。
それぞれを、独立した続編記事（スピンアウト）として、これから書き継いでいく構想です。
本記事との「つながり」を、最後に明示しておきます。
姉妹編 Zenn Book『論理学から AI Safety へ』（公開済み）
── 本記事の西側にそびえる、すでに登頂済みの連峰。論理学・圏論・Curry-Howard-Lambek・Gödel・HoTT・形式検証・AI Safety を、8言語の実装とともに詳説しています。
本記事のテーマ2・3・4の「深い谷」は、この本が受け持ちます。
本記事とは、〈圏論〉と〈高次圏・HoTT〉という稜線でつながっています。
続編$A$：TQFT × 高次圏 × HoTT（橋渡しの記事）
── 本記事と Zenn Book をつなぐ吊り橋。
Cobordism Hypothesis の (∞,n)-圏が、HoTT とどう地続きなのかを、TQFT 固有のコード（コボルディズム、Frobenius 代数、双対化可能対象）で掘ります。
実は、Zenn Book 自身が予告していた記事でもあります。
続編$B$： TQFT から見る AI の未来
── 本記事の第8幕を、独立させて深めたもの。
Attention の圏論的構造、AI Agent の合成、Categorical Deep Learning、Geometric Langlands × AI。
記事執筆者自身の見立ての部分の比率が高いので、成熟度を明示しながら歩きます。
続編$C$：Topological Quantum Computing と量子機械学習
── TQFT の「物理実装」の尾根。Majorana フェルミオンによるトポロジカル量子計算（TQFT 直結）と、量子機械学習（緩やかな関係）を、はっきり分けて扱います。
続編$D$：TDA・Topological Deep Learning 実装入門 ──
もっとも実務寄りの、なだらかな登山道。
giotto-tda・TopoModelX で、明日から手を動かせる位相的機械学習を、本記事より詳しく実装します。
地図にすると、こうなります。
本記事（中央の主峰）を起点に、西の連峰（Zenn Book）へは稜線 $A$（続編 $A$）で、東の三つの峰（続編$B$・$C$・$D$）へはそれぞれの登山道でつながっている
── そんな地形を、これから少しずつ整えていきます。
どの道から登っても、いつか同じ尾根の上で、景色がつながるはずです。
関連する話題 ── さらに広い地図
本記事で扱った TQFT は、現代数学・物理学・計算機科学の最深部にある、極めて深い分野です。
関連する分野:
1. Étaleコホモロジー
本記事の著者のペンネームの由来。Alexander Grothendieck が、Weil 予想の証明のために構築した、極めて深い数学的道具。TQFT と深く関連（Verdier 双対、エタール基本群）。
2. Higher Category Theory（高次圏論）
Jacob Lurie の体系。∞-圏、（∞,n）-圏。姉妹編 Zenn Book『論理学から AI Safety へ ── 圏論・Gödel・HoTT がつなぐ知の地図』で詳述（公開済み）。
3. Geometric Langlands Programme
Edward Frenkel、Kapustin-Witten らの研究。**TQFT の S 双対（電磁双対）**と、Langlands Programme の深い接続。
4. Mirror Symmetry（ミラー対称性）
弦理論から生まれた、Calabi-Yau 多様体のペアの双対。Maxim Kontsevich が、Homological Mirror Symmetry として、圏論的に定式化（1994年フィールズ賞）。
5. Quantum Topology（量子トポロジー）
Reshetikhin-Turaev 不変量、Jones 多項式、Khovanov ホモロジー。結び目の不変量を、TQFT で計算。
6. Categorical Quantum Mechanics（CQM）
Bob Coecke（Oxford、Quantinuum）らの研究。Symmetric Monoidal Categories を使った、量子力学の図式的記述。本記事の姉妹記事「QNLP 入門」で扱った。
7. Topological Deep Learning（TDL）
2023-2026 年に急速に発展中。TopoModelX、TopoNetX（PyTorch ベース）。
8. Quantum Machine Learning（QML）
PennyLane、TensorFlow Quantum、Qiskit Machine Learning。Topological Quantum Computing との接続。
9. AI Safety と圏論
Anthropic、DeepMind、MIRI の研究の数学的基盤。形式検証 + 圏論的構造。
10. Inter-Universal Teichmüller Theory（IUT）
京都大学・望月新一による、極めて深い数論幾何学。TQFT の精神（数学全体を新しい言語で書き換える）と、構造的に親戚関係。本記事の著者の長期航海の北極星。
参考文献
TQFT の原典
- Atiyah, M. （1988）. "Topological quantum field theories." Publications Mathématiques de l'IHÉS, 68, 175-186.
- Witten, E. （1988）. "Topological quantum field theory." Communications in Mathematical Physics, 117（3）, 353-386.
- Witten, E. （1989）. "Quantum field theory and the Jones polynomial." Communications in Mathematical Physics, 121（3）, 351-399.
TQFT の教科書
- Kock, J. （2003）. Frobenius Algebras and 2D Topological Quantum Field Theories. Cambridge University Press.
- Schweigert, C. （2014）. Topological Field Theory. Lecture notes, University of Hamburg.
- Bartlett, B. （2005）. Categorical Aspects of Topological Quantum Field Theories. MSc thesis, Utrecht University.
高次圏論と Cobordism Hypothesis
- Lurie, J. （2009）. "On the Classification of Topological Field Theories." Current Developments in Mathematics, 2008, 129-280.
- Lurie, J. （2009）. Higher Topos Theory. Princeton University Press.
- Baez, J., Dolan, J. （1995）. "Higher-dimensional algebra and topological quantum field theory." Journal of Mathematical Physics, 36（11）, 6073-6105.
Witten と Atiyah の伝記・回顧
- Atiyah, M. （1990）. "On the work of Edward Witten." Proceedings of the International Congress of Mathematicians.
- Yau, S.-T. （Ed.） （2002）. Surveys in Differential Geometry: Papers Dedicated to Atiyah, Bott, Hirzebruch, and Singer.
Topological Data Analysis（TDA）
- Carlsson, G. （2009）. "Topology and data." Bulletin of the AMS, 46（2）, 255-308.
- Edelsbrunner, H., Harer, J. （2010）. Computational Topology: An Introduction. AMS.
- Tauzin, G. et al. （2021）. "giotto-tda: A Topological Data Analysis Toolkit for Machine Learning." Journal of Machine Learning Research.
Topological Deep Learning（TDL）
- Hajij, M. et al. （2024）. "Topological Deep Learning: Going Beyond Graph Data." arXiv:2206.00606.
- Bronstein, M. et al. （2021）. "Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges." arXiv:2104.13478.
- Bodnar, C. et al. （2022）. "Sheaf Neural Networks." arXiv:2202.04579.
Quantum Machine Learning
- Schuld, M., Petruccione, F. （2018）. Supervised Learning with Quantum Computers. Springer.
- Biamonte, J. et al. （2017）. "Quantum Machine Learning." Nature, 549, 195-202.
Categorical Deep Learning
- Gavranović, B. （2022）. "Categorical Foundations of Gradient-Based Learning." arXiv:2103.01931.
- Cruttwell, G. et al. （2024）. "Categorical Deep Learning: An Algebraic Theory of Architectures." arXiv:2402.15332.
Geometric Langlands × AI
- Frenkel, E. （2007）. Langlands Correspondence for Loop Groups. Cambridge University Press.
- Kapustin, A., Witten, E. （2007）. "Electric-magnetic duality and the geometric Langlands program." Communications in Number Theory and Physics, 1（1）, 1-236.
Étale Cohomology による関連記事
- 「論理はひとつではない ── 圏論論理学がつなぐ量子論理・トポス・圏論的量子力学」
- 「トポスと論理の関係 ── ひとつのトポス（数学の宇宙）を選ぶと、なぜ古典論理か直観主義論理が決まるのか ── そして、トポス以外の「器」たち」
- 論理公理系の産業応用 全地図 ── 古典・直観主義・線形・様相・時相・記述・量子論理はどこで使われているのか
- 【思考実験】法律は本当に二値論理なのか？ ── 多値論理・量子論理・様相論理から眺める法的判断
- 量子論理・トポス・圏論的量子力学は何に使うの？ ── 量子コンパイラから量子インターネットまで」
- 「猫が魚を食べる」を量子回路に変換する ── QNLP（量子自然言語処理）入門 ～ Transformerとは別系統のAI・NLP・量子コンピュータの交差点 ～」
- 圏論はゲーム理論を書き換える（Compositional Game Theory 入門）──ゲームを部品から組み立てる合成的世界へ：AI・マルチエージェント時代の新しい風景
- 圏論で OR を組み立て直す ── Compositional Optimization 入門：最適化を「部品から組み立てる」世界へ
- 圏論で学習を組み立て直す ── Compositional Learning 入門：Backprop as Functor と「学習を部品から組み立てる」世界へ
- 家族はひとつの圏である ── ご近所散歩ではじめる圏論入門
- 「圏論的ゲーム理論が組み立てる物理世界（近日公開予定）」
- 姉妹編 Zenn Book『論理学から AI Safety へ ── 圏論・Gödel・HoTT がつなぐ知の地図』（公開済み）── 本記事のテーマ2・3・4（圏論・HoTT・形式検証・AI Safety）の詳細版
- 「数学の基礎が書き換わる ── Homotopy Type Theory と Univalent Foundations 入門（近日公開予定）」
- 「双対性の地図 ── 数学・物理・論理・情報・経済を貫く、ひとつの精神（近日公開予定）」
あとがき
本記事は、Edward Witten、Michael Atiyah、Jacob Lurie という、現代数学・物理学の真の巨星たちの世界を、Python 機械学習プログラマにお届けする試みでした。
TQFT は、確かに、現代数学の最深部の宝石です。けれども、その精神は、すでに機械学習の実装現場に流れ込みつつあります。
TDA、TDL、QML、Categorical Deep Learning ── これらすべてが、TQFT の精神を、現代の AI に翻訳した実例です。
そして、LLM、AI Agent、Multi-Agent System の理論的記述において、圏論的・位相的な構造が、徐々に重要性を増しています。
5年、10年、20年後、本記事を読まれた読者の皆様の中の誰かが、AI と TQFT の境界領域で、新しい貢献をされる日が来るかもしれません。
著者について
Étale Cohomology（エタール・コホモロジー）
- note: https://note.com/etale_cohomology
- Qiita: https://qiita.com/etale_cohomology
- Zenn: https://zenn.dev/etalecohomology
Geometric Data Science の専門家。多様体や Sheaf 理論を用いて、複雑な経営リスクを可視化する研究・実装を行っています。
本記事は、TQFT という現代数学・物理学の最深部を、Python 機械学習プログラマと数理科学研究者の両方にお届けする試みです。読者の皆様の知の地平が、この対話と共に、少しでも広がりましたら、嬉しく思います。
形（幾何）と量子（物理）と計算（代数）が、深いところでつながっている
── そのメッセージをお受け取りいただけましたら、この対話の役目は、すでに果たされています。
専門書に進まれる方のために：数学的に厳密な議論に関する補遺
この記事は「高校数学を思い出しながら、TQFT の世界の雰囲気をつかむ」ことを最優先にしています。そのため、いくつかの場所で、正確さよりも分かりやすさを選びました。ここでは、専門の数学者・物理学者が読んだときに「ここは厳密には少し違う」と指摘しそうな箇所を、正直に並べておきます。入門者の方は読み飛ばして構いません。けれども、いつか専門書に進むときには、ここで挙げた「ほんとうの姿」を思い出してください。
1. 「2次元 TQFT＝可換フロベニウス代数」は、誰の結果か
本文では「2次元 TQFT は可換フロベニウス代数と1対1に対応する」という事実を、Atiyah（1988）の結果のように書いた箇所があります。
ここが少し不正確：
1988 年の Atiyah の論文がしたのは、TQFT とは何かを定める「公理（ルール）」を書いたことです。「2次元なら、それは必ず可換フロベニウス代数と同じものになる」という分類の定理そのものは、Atiyah は証明していません。
この対応は、Dijkgraaf（1989年の博士論文）で初めてはっきり述べられ、Abrams（1996）が数学的にきちんと証明し、Kock（2003）の教科書で読みやすくまとまった、という歴史をたどります。
どう書き換えるか：
「Atiyah 1988 が公理を与え、その後 Dijkgraaf（1989）・Abrams（1996）が分類を確立し、Kock（2003）が教科書にまとめた」と、役割を分けて書くのが正確です。
2. 「ディラック作用素の指数＝オイラー標数」について
Julia のコード例で、円周 $S^¹$ 上の「ディラック作用素」の指数を計算し、その答え（0）を「円周のオイラー標数」と結びつけ、さらに「球面 $S^²$ では指数＝2＝オイラー標数」と書いています。
ここが少し不正確：
Atiyah-Singer の指数定理は「ある微分作用素の解析的な指数＝その図形の位相的な量」という、とても広い定理です。ただし、どの作用素を選ぶかで、出てくる位相的な量は変わります。
指数が「オイラー標数」になるのは、ド・ラーム複体（$d＋d^*$ と呼ばれる作用素、オイラー標数を測る作用素）の場合です。
本来の意味での「ディラック作用素」（スピン構造を使う作用素）の指数は、オイラー標数ではなく $Â$（$A$ ルーフ）種数という別の量になり、たとえば $S^²$ では 0 になります。
つまり、コードが計算している「オイラー標数を与える作用素」は、厳密には「ディラック作用素」ではなく「ド・ラーム作用素（オイラー型）」と呼ぶべきものです。
$S^¹$ ではどちらも 0 なので答えは合っていますが、名前の付け方が混ざっています。
どう書き換えるか：
コード中の「ディラック作用素」を「ド・ラーム作用素（オイラー標数を測るタイプ）」と言い換えるか、あるいは「ここでは指数定理の精神を体感するための簡略版で、厳密なディラック作用素とは別物」と一言ことわるのが安全です。
3. Idris のコードと Haskell のコードで、「次元」の扱いが食い違っている
Haskell のコードでは、単位対象（空集合に対応するもの）の次元を 1 とし、テンソル積では次元をかけ算しています（$dim(A⊗B)=dim(A)×dim(B)$）。これは正しい姿です。
$Z$ は「空集合 → 体 $k$（1次元）」「2つの円 → ベクトル空間のテンソル積（次元はかけ算）」と対応させるからです。
ところが Idris のコードでは、単位対象を「次元 0」とし、テンソル積を $n＋m$ と足し算で書いています。
ここが食い違い：
もし Nat（自然数）が「ベクトル空間の次元」を表すなら、単位は 1、テンソル積はかけ算でなければなりません。
もし Nat が「円の本数」を表すなら、空集合は 0 本、円が増えれば足し算、で筋は通ります。Idris のコードは後者（本数）の発想で書かれているのに、コメントが前者（次元）の言葉になっているため、矛盾して見えます。
どう書き換えるか：
Idris の Nat を「円の本数を数えるラベル」と明記し、「これは次元そのものではない」と注記すると、矛盾が消えます。あるいは、Haskell と同じく「次元」で揃えたいなら、単位を 1、テンソル積をかけ算に直します。
4. Witten の論文は「1本」ではなく「2本」ある
本文では当初、1988 年の Topological Quantum Field Theory の出典を、誤って 1989 年・第121巻（ジョーンズ多項式の論文）と書いていました（この箇所は本文側ですでに訂正済みです）。混乱しやすいので、ここで整理します。
Witten には、関係するけれど別々の論文が2本あります。
ひとつは、Topological Quantum Field Theory（Commun. Math. Phys. 第117巻、1988年）で、ドナルドソン理論などに関わる「コホモロジー的な」TQFT の論文。
もうひとつは、Quantum field theory and the Jones polynomial（Commun. Math. Phys. 第121巻、1989年）で、チャーン-サイモンズ理論から結び目のジョーンズ多項式を導いた論文です。
記事末の参考文献では、これら２本は正しく区別されています。
5. Lurie（2009）は「完全な証明」と言い切れるか
本文では Lurie が Cobordism Hypothesis を「ほぼ完全に証明した」と書きました。
専門家の視点：
Lurie の 2009 年の文章は、約束された主張と、その証明の**詳しい筋書き（プルーフ・スケッチ）**を与えたもの、と受け取られることが多いです。
細部までを完全に埋めた論文というより、「証明の設計図を非常に詳しく描いた」もの、という評価が一般的です。
本文の「ほぼ完全に」という言い方は、その意味では妥当ですが、「完全に証明済み」と読まれないよう、「詳細な
証明の概略を与えた」とするとより正確です。
6. Atiyah の言葉は「要約」であって、逐語引用ではない
本文の、1990 年のフィールズ賞をめぐる Atiyah の Witten 評は、意味をかみくだいた要約であり、原文そのままの引用ではありません。Atiyah が実際に書いた文章は、On the work of Edward Witten （1990年 ICM）にあります。引用符でくくる場合は「（要約）」と添えるか、原典に当たって正確な文言を確認するのが安全です。
7. 「○○と××は深く似ている」という言い方について
本文には、「経路積分とベイズ推論は構造的に深い類似性を持つ」「QFT の言葉が機械学習に流れ込んでいる」「LLM や AI エージェントの構造が TQFT とつながる」といった表現が何度か出てきます。
専門家の視点：
これらは、厳密に「同じもの」だと証明された関係ではなく、研究者が魅力を感じているアナロジー（似た構造）や、現在進行中の研究の見通しです。
本文も多くの箇所で「研究の最前線」「可能性がある」と正直にことわっており、その姿勢は適切です。読むときは、「すでに確立した数学的事実」と「これからの期待・たとえ話」を、心の中で分けておくとよいでしょう。
8. 量子回路の「ブレイディング風」について
PennyLane のコード例では、CNOT ゲートを輪のようにつないだものを「ブレイディング（編み込み）風」と呼んでいます。
専門家の視点：
本物のトポロジカル量子計算における「ブレイディング」は、エニオンという特殊な粒子を入れ替えることで、ノイズに強い（位相的に保護された）計算を実現するものです。
CNOT を並べただけの回路は、その見た目をまねた近似であって、位相的な保護そのものではありません。コードにも「近似」と書かれていますが、「位相的不変性を近似」という表現は、厳密には「位相的計算の雰囲気をまねたもの」と理解してください。
9. こまかな点：体（スカラー）の選び方
TQFT のベクトル空間は、ふつう複素数 $ℂ$ の上で考えます。
Python の実装例では、実数（$R$ 上の行列）で書かれている箇所があります。
雰囲気をつかむには問題ありませんが、本格的に計算するときは複素数で考えるのが標準だ、と覚えておいてください。
また、群環 $ℂ[ℤ/d]$ を可換フロベニウス代数の例にするのは正しいですが、フロベニウス構造（とくに余単位の選び方）によって最終的な不変量の値が変わる点も、専門書では丁寧に扱われます。