論文の概要: MIMIC-MJX: Neuromechanical Emulation of Animal Behavior

• arxiv url: http://arxiv.org/abs/2511.20532v1
• Date: Tue, 25 Nov 2025 17:34:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.580302
• Title: MIMIC-MJX: Neuromechanical Emulation of Animal Behavior
• Title（参考訳）: MIMIC-MJX : 動物行動の神経機械的エミュレーション
• Authors: Charles Y. Zhang, Yuanjia Yang, Aidan Sirbu, Elliott T. T. Abe, Emil Wärnberg, Eric J. Leonardis, Diego E. Aldarondo, Adam Lee, Aaditya Prasad, Jason Foat, Kaiwen Bian, Joshua Park, Rusham Bhatt, Hutton Saunders, Akira Nagamori, Ayesha R. Thanawalla, Kee Wui Huang, Fabian Plum, Hendrik K. Beck, Steven W. Flavell, David Labonte, Blake A. Richards, Bingni W. Brunton, Eiman Azim, Bence P. Ölveczky, Talmo D. Pereira,
• Abstract要約: MIMIC-MJXは、キネマティックスから生物学的に証明可能な神経制御ポリシーを学ぶためのフレームワークである。 我々の実装は正確で、高速で、データ効率が良く、多様な動物体モデルに一般化できる。
• 参考スコア（独自算出の注目度）: 4.293092689005449
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The primary output of the nervous system is movement and behavior. While recent advances have democratized pose tracking during complex behavior, kinematic trajectories alone provide only indirect access to the underlying control processes. Here we present MIMIC-MJX, a framework for learning biologically-plausible neural control policies from kinematics. MIMIC-MJX models the generative process of motor control by training neural controllers that learn to actuate biomechanically-realistic body models in physics simulation to reproduce real kinematic trajectories. We demonstrate that our implementation is accurate, fast, data-efficient, and generalizable to diverse animal body models. Policies trained with MIMIC-MJX can be utilized to both analyze neural control strategies and simulate behavioral experiments, illustrating its potential as an integrative modeling framework for neuroscience.
• Abstract（参考訳）: 神経系の主要な出力は運動と行動である。 最近の進歩は複雑な行動中にポーズ追跡を民主化しているが、運動軌道だけでは、下層の制御プロセスへの間接的アクセスしか提供しない。 ここでは,キネマティックスから生物学的に証明可能なニューラルコントロールポリシーを学習するためのフレームワークMIMIC-MJXを紹介する。 MIMIC-MJXは、物理シミュレーションにおいて生体力学的実在体モデルを活性化し、実際の運動軌道を再現する神経コントローラーを訓練することにより、運動制御の生成過程をモデル化する。 我々の実装は正確で、高速で、データ効率が良く、多様な動物体モデルに一般化可能であることを実証する。 MIMIC-MJXでトレーニングされたポリシーは、神経制御戦略の分析と行動実験のシミュレーションの両方に利用することができ、神経科学の統合的モデリングフレームワークとしての可能性を示している。

関連論文リスト

• Musculoskeletal simulation of limb movement biomechanics in Drosophila melanogaster [32.89880065783502]
  ショウジョウバエの足の最初の3Dデータ駆動筋骨格モデルを紹介した。 複数の固定標本からの高分解能X線スキャンに基づくヒル型筋肉表現を応用した。 本モデルにより, 実験的に抽出可能なモデル生物における運動制御の解明が可能となった。
  論文  参考訳（メタデータ） (2025-09-08T08:21:14Z)
• Reinforcement learning-based motion imitation for physiologically plausible musculoskeletal motor control [47.423243831156285]
  筋運動制御の理解を深めるために,モデルフリー運動模倣フレームワーク(KINESIS)を提案する。 我々は,KINESISが1.9時間のモーションキャプチャデータに対して強い模倣性能を達成できることを実証した。 キネシスはヒトの筋活動とよく相関する筋活動パターンを生成する。
  論文  参考訳（メタデータ） (2025-03-18T18:37:49Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• Control for Multifunctionality: Bioinspired Control Based on Feeding in Aplysia californica [0.3277163122167433]
  我々は,ニューラルバースト活動と簡単なバイオメカニクスをリアルタイムに高速にモデル化できるハイブリッドBooleanモデルフレームワークを開発した。 Aplysia californica 摂餌の多機能モデルについて述べる。 実験可能な仮説を定式化し,ロボット制御と神経科学への応用について考察する。
  論文  参考訳（メタデータ） (2020-08-11T19:26:50Z)
• Reinforcement Learning of Musculoskeletal Control from Functional Simulations [3.94716580540538]
  本研究は、深部強化学習(DRL)に基づく逆動力学制御器を用いて、人間の肩の生体力学的モデルによる筋活動の制御を訓練する。 その結果,無作為に発生する角軌道に追従する作業に対して,肩下降の単一軸運動制御を行うことができた。
  論文  参考訳（メタデータ） (2020-07-13T20:20:01Z)

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。