論文の概要: Machine Learning Driven Prediction of the Behavior of Biohybrid Actuators

• arxiv url: http://arxiv.org/abs/2602.16330v1
• Date: Wed, 18 Feb 2026 10:11:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.536042
• Title: Machine Learning Driven Prediction of the Behavior of Biohybrid Actuators
• Title（参考訳）: 機械学習によるバイオハイブリッドアクチュエータの挙動予測
• Authors: Michail-Antisthenis Tsompanas, Marco Perez Hernandez, Faisal Abdul-Fattah, Karim Elhakim, Mostafa Ibrahim, Judith Fuentes, Florencia Lezcano, Riccardo Collu, Massimo Barbaro, Stefano Lai, Samuel Sanchez, Andrew Adamatzky,
• Abstract要約: 本研究では,バイオハイブリッドマシンの挙動をモデル化し,予測するための教師あり学習の応用について検討する。 静的モデルの最高の性能はR2が0.9425、動的モデルは0.9956である。
• 参考スコア（独自算出の注目度）: 0.1742397757224289
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Skeletal muscle-based biohybrid actuators have proved to be a promising component in soft robotics, offering efficient movement. However, their intrinsic biological variability and nonlinearity pose significant challenges for controllability and predictability. To address these issues, this study investigates the application of supervised learning, a form of machine learning, to model and predict the behavior of biohybrid machines (BHMs), focusing on a muscle ring anchored on flexible polymer pillars. First, static prediction models (i.e., random forest and neural network regressors) are trained to estimate the maximum exerted force achieved from input variables such as muscle sample, electrical stimulation parameters, and baseline exerted force. Second, a dynamic modeling framework, based on Long Short-Term Memory networks, is developed to serve as a digital twin, replicating the time series of exerted forces observed in response to electrical stimulation. Both modeling approaches demonstrate high predictive accuracy. The best performance of the static models is characterized by R2 of 0.9425, whereas the dynamic model achieves R2 of 0.9956. The static models can enable optimization of muscle actuator performance for targeted applications and required force outcomes, while the dynamic model provides a foundation for developing robustly adaptive control strategies in future biohybrid robotic systems.
• Abstract（参考訳）: 骨格筋に基づくバイオハイブリッドアクチュエータは、ソフトロボティクスにおいて有望なコンポーネントであり、効率的な運動を提供することが証明されている。 しかし、その固有の生物学的変動性と非線形性は、制御性と予測可能性に重大な課題をもたらす。 これらの課題に対処するために,バイオハイブリッドマシン(BHM)の挙動をモデル化・予測するための教師あり学習の応用について検討し,柔軟なポリマー柱に固定した筋肉リングに着目した。 まず、静的予測モデル(ランダムフォレストとニューラルネットワーク回帰器)をトレーニングし、筋肉サンプル、電気刺激パラメータ、ベースライン運動力などの入力変数から得られる最大運動力を推定する。 第二に、長期記憶ネットワークに基づく動的モデリングフレームワークが、電気刺激に応答して観測される一連の運動力を再現し、デジタルツインとして機能するように開発されている。 どちらのモデリング手法も高い予測精度を示している。 静的モデルの最高の性能はR2が0.9425、動的モデルは0.9956である。 静的モデルは、標的とするアプリケーションと必要な力の結果として筋肉アクチュエータのパフォーマンスを最適化し、動的モデルは将来のバイオハイブリッドロボットシステムにおいて堅牢な適応制御戦略を開発する基盤を提供する。

関連論文リスト

• Massively Parallel Imitation Learning of Mouse Forelimb Musculoskeletal Reaching Dynamics [0.5487412578664687]
  本稿では,神経科学研究室からキネマティックスデータを収集し,生体力学モデルでそれらの自然な動きを再現するためのパイプラインを作成する。 我々は,模擬物理環境における筋骨格モデルを用いて,器用な前肢到達作業を行うための模倣学習フレームワークを実装した。
  論文  参考訳（メタデータ） (2025-11-26T19:23:14Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• 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)
• A Physics-Informed Low-Shot Learning For sEMG-Based Estimation of Muscle Force and Joint Kinematics [4.878073267556235]
  表面筋電図(sEMG)による筋力と関節キネマティクス推定はリアルタイム生体力学的解析に不可欠である。 ディープニューラルネットワーク(DNN)の最近の進歩は、完全に自動化され再現可能な方法で生体力学解析を改善する可能性を示している。 本稿では,筋力と関節キネマティクスのsEMGに基づく新しい物理インフォームドローショット学習法を提案する。
  論文  参考訳（メタデータ） (2023-07-08T23:01:12Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and Compliant Impedance Control [16.88250694156719]
  剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。 7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
  論文  参考訳（メタデータ） (2022-05-27T07:39:28Z)

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。