論文の概要: Friction on Demand: A Generative Framework for the Inverse Design of Metainterfaces
- arxiv url: http://arxiv.org/abs/2511.03735v1
- Date: Mon, 27 Oct 2025 13:00:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-09 16:58:40.070079
- Title: Friction on Demand: A Generative Framework for the Inverse Design of Metainterfaces
- Title（参考訳）: Friction on Demand: メタインタフェースの逆設計のための生成フレームワーク
- Authors: Valentin Mouton, Adrien Mélot,
- Abstract要約: ターゲット摩擦法則から表面トポグラフィーを推定するための生成的モデリングフレームワークを提案する。
パラメータ化された接触力学モデルから構築された2億のサンプルからなる合成データセットに基づいて,提案手法により,候補地形の効率的なシミュレーションフリー生成が可能となる。
この手法は、表面トポグラフィーによる摩擦挙動のほぼリアルタイム制御の道を開くものである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Designing frictional interfaces to exhibit prescribed macroscopic behavior is a challenging inverse problem, made difficult by the non-uniqueness of solutions and the computational cost of contact simulations. Traditional approaches rely on heuristic search over low-dimensional parameterizations, which limits their applicability to more complex or nonlinear friction laws. We introduce a generative modeling framework using Variational Autoencoders (VAEs) to infer surface topographies from target friction laws. Trained on a synthetic dataset composed of 200 million samples constructed from a parameterized contact mechanics model, the proposed method enables efficient, simulation-free generation of candidate topographies. We examine the potential and limitations of generative modeling for this inverse design task, focusing on balancing accuracy, throughput, and diversity in the generated solutions. Our results highlight trade-offs and outline practical considerations when balancing these objectives. This approach paves the way for near-real-time control of frictional behavior through tailored surface topographies.
- Abstract（参考訳）: 所定のマクロな挙動を示すための摩擦界面の設計は、解の非特異性や接触シミュレーションの計算コストによって難しい逆問題である。
伝統的なアプローチは、低次元のパラメータ化よりもヒューリスティックな探索に依存しており、より複雑または非線形な摩擦法則の適用性を制限する。
本稿では, ターゲット摩擦法則から表面トポグラフィーを推定するために, 可変オートエンコーダ(VAE)を用いた生成モデリングフレームワークを提案する。
パラメータ化された接触力学モデルから構築された2億のサンプルからなる合成データセットに基づいて,提案手法により,候補地形の効率的なシミュレーションフリー生成が可能となる。
本稿では, この逆設計課題における生成モデルの可能性と限界について検討し, 生成した解の精度, スループット, 多様性のバランスに着目した。
この結果はトレードオフを浮き彫りにして,これらの目標のバランスをとる上での実践的考察を概説する。
この手法は、表面トポグラフィーによる摩擦挙動のほぼリアルタイム制御の道を開くものである。
関連論文リスト
- Interpretable Robotic Friction Learning via Symbolic Regression [52.41267112707149]
ロボット関節における摩擦トルクの正確なモデリングは、堅牢な数学的記述の要求により、長い間困難であった。
伝統的なモデルに基づくアプローチは、しばしば労働集約的であり、広範な実験と専門家の知識を必要とする。
ニューラルネットワークに基づくデータ駆動方式は実装が容易だが、堅牢性に欠けることが多い。
論文 参考訳（メタデータ） (2025-05-19T14:44:02Z) - Learning Transferable Friction Models and LuGre Identification via Physics Informed Neural Networks [4.432363122731454]
物理インフォームド摩擦モデルと学習可能なコンポーネントを統合するための摩擦推定フレームワークを提案する。
われわれのアプローチは物理的な一貫性を強制するが、現実の複雑さに適応する柔軟性は維持する。
我々のアプローチは、学習したモデルを訓練されていないシステムに転送できるようにする。
論文 参考訳（メタデータ） (2025-04-16T19:15:48Z) - Training-Free Constrained Generation With Stable Diffusion Models [41.391765899175276]
安定拡散モデルは、様々な領域にまたがるデータ合成における最先端のモデルである。
既存のテクニックは、遅延拡散フレームワークの適用性に制限されるか、ドメイン固有の制約を厳格に強制する能力に欠ける。
本稿では, 安定拡散モデルと制約付き最適化フレームワークとの新たな統合を提案し, 厳密な物理的および機能的要求を満たす出力の生成を可能にする。
論文 参考訳（メタデータ） (2025-02-08T16:11:17Z) - Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。
本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
論文 参考訳（メタデータ） (2025-02-05T20:51:28Z) - Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。
提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
論文 参考訳（メタデータ） (2024-02-05T22:18:16Z) - Transfer learning-assisted inverse modeling in nanophotonics based on mixture density networks [0.840835093659811]
本稿では,移動学習により強化された混合密度ネットワークモデルに基づくナノフォトニック構造の逆モデリング手法を提案する。
提案手法は,光応答を入力とする設計ソリューションの予測能力を高い精度で保ちながら,伝達学習に基づく手法を用いてこれらの制限を克服することができる。
論文 参考訳（メタデータ） (2024-01-21T09:03:30Z) - Learning-based adaption of robotic friction models [50.72489248401199]
我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。
本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
論文 参考訳（メタデータ） (2023-10-25T14:50:15Z) - INFINITY: Neural Field Modeling for Reynolds-Averaged Navier-Stokes
Equations [13.242926257057084]
INFINITYは、幾何学情報と物理場をコンパクトな表現に符号化するディープラーニングモデルである。
本フレームワークは,体積と表面の物理場を正確に推定することにより,最先端の性能を実現する。
我々のモデルは、方程式に固執しながら、ドラッグ・アンド・リフト係数を正確に予測することができる。
論文 参考訳（メタデータ） (2023-07-25T14:35:55Z) - DiMSam: Diffusion Models as Samplers for Task and Motion Planning under Partial Observability [58.75803543245372]
タスク・アンド・モーション・プランニング(TAMP)アプローチは多段階自律ロボット操作の計画に適している。
本稿では,TAMPシステムを用いた拡散モデルの構築により,これらの制限を克服することを提案する。
古典的TAMP, 生成モデリング, 潜伏埋め込みの組み合わせによって, 多段階制約に基づく推論が可能となることを示す。
論文 参考訳（メタデータ） (2023-06-22T20:40:24Z) - Approximating Constraint Manifolds Using Generative Models for
Sampling-Based Constrained Motion Planning [8.924344714683814]
本稿では,制約付き動作計画問題に対する学習に基づくサンプリング戦略を提案する。
本研究では,条件変数自動エンコーダ(CVAE)と条件生成適応ネット(CGAN)を用いて制約条件を満たすサンプル構成を生成する。
これら2つの生成モデルの有効性を,サンプリング精度とサンプリング分布のカバレッジの観点から評価した。
論文 参考訳（メタデータ） (2022-04-14T07:08:30Z) - Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。
これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。
力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
論文 参考訳（メタデータ） (2021-09-07T20:01:22Z) - Congestion-aware Multi-agent Trajectory Prediction for Collision
Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。
学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。
実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文 参考訳（メタデータ） (2021-03-26T02:42:33Z)
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。