論文の概要: Physics-Informed Neural Networks for Programmable Origami Metamaterials with Controlled Deployment

• arxiv url: http://arxiv.org/abs/2508.13559v1
• Date: Tue, 19 Aug 2025 06:38:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.820167
• Title: Physics-Informed Neural Networks for Programmable Origami Metamaterials with Controlled Deployment
• Title（参考訳）: 物理インフォームドニューラルネットワークによるプログラム可能な折り紙メタマテリアルの展開制御
• Abstract要約: 本稿では, 物理インフォームドニューラルネットワーク(PINN)を用いて, 折り紙の前方予測と逆設計を行う。 このモデルは、非物理的アーティファクトを最小限にしながら、高精度で完全なエネルギー景観を予測する。 この研究は、折り紙にインスパイアされたメタマテリアルにおける複雑な機械的エネルギー景観をプログラミングするための汎用的でデータフリーなルートを確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Origami-inspired structures provide unprecedented opportunities for creating lightweight, deployable systems with programmable mechanical responses. However, their design remains challenging due to complex nonlinear mechanics, multistability, and the need for precise control of deployment forces. Here, we present a physics-informed neural network (PINN) framework for both forward prediction and inverse design of conical Kresling origami (CKO) without requiring pre-collected training data. By embedding mechanical equilibrium equations directly into the learning process, the model predicts complete energy landscapes with high accuracy while minimizing non-physical artifacts. The inverse design routine specifies both target stable-state heights and separating energy barriers, enabling freeform programming of the entire energy curve. This capability is extended to hierarchical CKO assemblies, where sequential layer-by-layer deployment is achieved through programmed barrier magnitudes. Finite element simulations and experiments on physical prototypes validate the designed deployment sequences and barrier ratios, confirming the robustness of the approach. This work establishes a versatile, data-free route for programming complex mechanical energy landscapes in origami-inspired metamaterials, offering broad potential for deployable aerospace systems, morphing structures, and soft robotic actuators.
• Abstract（参考訳）: 折り紙にインスパイアされた構造は、プログラム可能な機械的応答を持つ軽量で展開可能なシステムを作るための前例のない機会を提供する。 しかし、複雑な非線形力学、乗算可能性、展開力の正確な制御の必要性により、設計は依然として困難である。 本稿では,コニカルクレスリング折り紙(CKO)の前方予測と逆設計のための物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 機械平衡方程式を直接学習プロセスに埋め込むことで、非物理的アーティファクトを最小化しつつ、高精度で完全なエネルギー景観を予測できる。 逆設計ルーチンは、目標の安定状態の高さとエネルギー障壁の分離の両方を規定し、エネルギー曲線全体の自由形式プログラミングを可能にする。 この機能は階層的なCKOアセンブリに拡張され、プログラムされたバリアマグニチュードによってシーケンシャルなレイヤ・バイ・レイヤのデプロイメントが実現される。 物理プロトタイプの有限要素シミュレーションと実験は、設計された配置シーケンスとバリア比を検証し、アプローチの堅牢性を確認する。 この研究は、折り紙にインスパイアされたメタマテリアルで複雑な機械的エネルギー景観をプログラミングするための汎用的でデータのないルートを確立し、展開可能な航空宇宙システム、モーフィング構造、ソフトロボットアクチュエーターの幅広い可能性を提供する。

関連論文リスト

• Semigroup-JEPA: Latent Dynamics Consistency for Zero-Shot Physics Generalization [32.65135632960651]
  JEPA(Joint-Embedding Predictive Architecture)の世界モデルは、予測と計画をサポートする世界のコンパクトな潜在表現を学ぶ。 物理制御パラメータを時間モデルに供給することにより,LeWorldModelフレームワークを拡張したSemiGroup-JEPAを提案する。 我々は、同じ物理法則に従うにもかかわらず、定性的に異なる力学を示す異なる重力場の下で動的タスクを設計する。
  論文  参考訳（メタデータ） (2026-09-09T17:08:13Z)
• A Continual Learning Framework for Adaptive Control of Modular Soft Robots [4.374184567811783]
  ソフトロボットは医療介入、リハビリテーション、ロボット操作などの応用において大きな注目を集めている。 MSRは、複雑なタスクを実行することができる高度に変形可能で再構成可能な構造を持つ、新しいタイプのロボットシステムである。 既存のアプローチでは、ロボットの形態が変わるたびにコントローラーをスクラッチから再訓練する必要がある。 本稿では,ロボット形態の変化に漸進的に適応できる連続学習型制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-07T19:11:07Z)
• Reinforcement learning in linear embedding space unlocks generalizable control across soft robot configurations [60.42735420750131]
  タコや象のトランクのような軟体生物は、顕著な形態的適応性を示す。 近年、様々なソフトロボットが登場し、様々な素材、硬さ、特定のタスクに合わせた形態を特徴としている。 本稿では,多様なソフトロボット構成にまたがる迅速な適応を可能にする汎用制御システムを提案する。
  論文  参考訳（メタデータ） (2026-06-06T11:09:46Z)
• Position: Weight Space Should Be a First-Class Generative AI Modality [67.10702320971893]
  本稿では、モデルチェックポイントを第一級データモダリティとして扱うべきであると論じる。 重み空間における生成的モデリングは、コア機械学習プリミティブとして標準化されるべきである、と論じている。 私たちのゴールは、コミュニティの既定の考え方を、タスクごとのモデルの最適化から、学習した重量分布からモデルのサンプリングにシフトさせることです。
  論文  参考訳（メタデータ） (2026-05-18T16:38:26Z)
• Simulation-Driven Evolutionary Motion Parameterization for Contact-Rich Granular Scooping with a Soft Conical Robotic Hand [14.911239660367926]
  ツールベースのスクーピングは、さまざまな大きさ、形状、物質状態の物体との相互作用を可能にするロボット支援タスクにおいて不可欠である。 近年の研究では、柔軟で再構成可能なソフトロボットのエンドエフェクターが、スクーピング中に一貫した接触を維持するために形状に適応できることが示されている。 これらのソフトツールは、複雑な感知や制御を必要とせずに、様々な容器の大きさや材料に調整することができる。 本稿では,変形可能な円錐型ロボットハンドの物理シミュレーションモデルの開発について述べる。
  論文  参考訳（メタデータ） (2026-04-07T07:30:21Z)
• From Folding Mechanics to Robotic Function: A Unified Modeling Framework for Compliant Origami [13.163657221687599]
  離散微分幾何学(DDG)に基づく幾何一貫性モデリングフレームワークを提案する。 この枠組みは、単一の変分定式化の中でパネルの弾塑性とクリース回転を統一する。 この統一された記述は、剛体および適合した状態にわたる安定性と変形のプログラム可能な制御を可能にする。
  論文  参考訳（メタデータ） (2026-03-16T07:03:39Z)
• PhyScensis: Physics-Augmented LLM Agents for Complex Physical Scene Arrangement [89.35154754765502]
  PhyScensisは物理エンジンを動力とするエージェントベースのフレームワークで、物理的に可視なシーン構成を生成する。 本フレームワークは,微粒なテキスト記述や数値パラメータに対する強い制御性を保っている。 実験の結果,本手法はシーンの複雑さ,視覚的品質,身体的精度において,従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-02-16T17:55:25Z)
• Reduced-order Control and Geometric Structure of Learned Lagrangian Latent Dynamics [16.958692029614994]
  本稿では,高次元ラグランジアンシステムのための学習構造保存型低次ダイナミクスに基づく潜在制御フレームワークを提案する。 モデリングエラーの原因を定量化することにより、安定性と収束性の解釈可能な条件を導出する。 提案した制御器と解析を,学習された動作パターンを導入して不活性化系に拡張する。
  論文  参考訳（メタデータ） (2026-02-09T18:00:04Z)
• Hierarchical Latent Structures in Data Generation Process Unify Mechanistic Phenomena across Scale [50.33952894976367]
  我々は文脈自由文法を用いて、ウェブスケールテキストコーパスのための忠実で効率的なプロキシである合成コーパスを生成する。 設計したデータ生成プロセスにおいて,誘導ヘッド,関数ベクトル,ハイドラ効果という3つの力学現象の出現について検討する。 これらの現象の出現を説明する上で,データ生成プロセスの階層構造がX因子となることが示唆された。
  論文  参考訳（メタデータ） (2026-02-04T14:49:13Z)
• Learning Causal Structure Distributions for Robust Planning [53.753366558072806]
  構造情報の不確実性を考慮しながら,機能的関係を学習することで,より堅牢な力学モデルがもたらされることがわかった。 これは、因果構造を無視し、ロボットシステムにおける相互作用の空間性を活用するのに失敗する一般的なモデル学習手法とは対照的である。 本稿では,本モデルを用いてロボットの力学を学習し,新しい環境下での新たな作業を行うためのサンプリング・ベース・プランナーを併用することを提案する。
  論文  参考訳（メタデータ） (2025-08-08T22:43:17Z)
• Automated Construction of Artificial Lattice Structures with Designer Electronic States [0.0]
  銅基板上に一酸化炭素(CO)分子を空間的に操作することで人工構造を構築するための強化学習(RL)フレームワークを提案する。 提案手法は, アクティブドリフト補償と組み合わせた経路計画プロトコルを導入し, 人間の入力を著しく低減した構造体の原子的精密な製作を可能にする。
  論文  参考訳（メタデータ） (2025-08-04T16:38:45Z)
• Learning Physical Systems: Symplectification via Gauge Fixing in Dirac Structures [8.633430288397376]
  本稿では,プレシンプレクティフィケーション・ネットワーク(PSN)について紹介する。 我々のアーキテクチャは、繰り返しエンコーダとフローマッチングの目的を組み合わせることで、エンド・ツー・エンドの位相空間力学を学習する。 次に、エネルギー、運動量、制約満足度を保ちながら、制約された軌道の予測に軽量なシンプレクティックネットワーク(SympNet)を付加する。
  論文  参考訳（メタデータ） (2025-06-23T16:23:37Z)
• Enhancing the Efficiency of Complex Systems Crystal Structure Prediction by Active Learning Guided Machine Learning Potential [7.981545383991065]
  我々は、高度に一般化され、データ効率のよい機械学習ポテンシャルを構築するための柔軟で自動化されたワークフローを提案する。 このワークフローはMg-Ca-H三元系とBe-P-N-O四元系の両方で検証される。
  論文  参考訳（メタデータ） (2025-05-13T01:34:34Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。 機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。 化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• 1 Modular Parallel Manipulator for Long-Term Soft Robotic Data Collection [16.103025868841268]
  本稿では,大規模データ収集に適した並列ロボット操作プラットフォームを提案する。 プラットフォームモジュールは、カスタマイズ可能なフィンガーを作動させるオフ・ザ・シェルフ電気モーターのペアで構成されている。 ベンチマーク2D操作タスクにおいて,ハードウェア上でのポリシー勾配強化学習に使用するプラットフォームの能力を検証する。
  論文  参考訳（メタデータ） (2024-09-05T15:18:44Z)
• An Advanced Physics-Informed Neural Operator for Comprehensive Design Optimization of Highly-Nonlinear Systems: An Aerospace Composites Processing Case Study [0.0]
  本稿では,複数の入力関数を持つ複雑なシステムに適した物理インフォームドDeepONetを提案する。 提案モデルでは,高精度な高次元設計空間を処理し,バニラ物理インフォームドDeepONetを2桁の精度で上回っている。
  論文  参考訳（メタデータ） (2024-06-20T20:19:30Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。