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
• Authors: Sukheon Kang, Youngkwon Kim, Jinkyu Yang, Seunghwa Ryu,
• 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

• 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。