論文の概要: Inverse Design of Metainterfaces for Static Friction Control: Beyond the Hertzian Limit

• arxiv url: http://arxiv.org/abs/2605.11012v2
• Date: Tue, 19 May 2026 14:58:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:12.874449
• Title: Inverse Design of Metainterfaces for Static Friction Control: Beyond the Hertzian Limit
• Title（参考訳）: 静的摩擦制御のためのメタインタフェースの逆設計:ヘルツ限界を超えて
• Authors: Jacopo Bilotto, Arnav Singhal, Joaquin Garcia-Suarez, Gaëtan Cortes, Lucas Fourel, Jean-François Molinari,
• Abstract要約: 静的摩擦は、実際の接触領域によって制御される。 標準的な粗面は、古典的アーチャードやグリーンウッド・ウィリアムソンのモデルに固有の線形領域積スケーリングを示す。 本稿では,プログラム可能な接触動作のためのトライボロジーメタインタフェースの逆設計のためのフレームワークを提案する。
• 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: Programming the static friction of mechanical interfaces is critical for soft robotics, haptics, and precision gripping. Static friction is governed by the real contact area, and standard rough surfaces exhibit a linear area-load scaling inherent to classical Archard and Greenwood-Williamson models, severely restricting their functional range. Here, we propose a framework for the inverse design of tribological metainterfaces engineered for programmable contact behaviors. By utilizing general axisymmetric asperities, we unlock nonlinear macroscopic responses unattainable by standard Hertzian contacts. To solve the inverse problem, we embed a fully differentiable contact mechanics engine within a neural network and a quadratic optimizer. We leverage regularized physical gradients to automatically discover non-standard topographies that reproduce complex target friction laws, with only a few asperities in unit cells. The predicted designs are strictly validated against high-fidelity Boundary Element Method (BEM) simulations. This framework bridges data-driven optimization and rigorous physics, offering a scale-invariant pathway for discovering functional tribological surfaces.
• Abstract（参考訳）: メカニカルインタフェースの静的摩擦をプログラミングすることは、ソフトロボティクス、触覚、精密グリップにとって重要である。 静的摩擦は実際の接触領域によって制御され、標準的な粗面は古典的アーチャードモデルとグリーンウッド・ウィリアムソンモデルに固有の線形領域のスケーリングを示し、その機能範囲を厳しく制限する。 本稿では,プログラム可能な接触行動のためのトライボロジーメタインタフェースの逆設計のためのフレームワークを提案する。 一般軸対称アスペリティを利用することで、標準ヘルツ接点が到達不能な非線形マクロ応答を解き放つ。 逆問題を解決するために、ニューラルネットワークと二次最適化器に完全に微分可能な接触力学エンジンを組み込む。 我々は、正規化物理勾配を利用して、複雑なターゲット摩擦則を再現する非標準トポグラフィーを自動的に発見し、単位セルにわずかなアスペリティしか持たない。 予測された設計は、高忠実性境界要素法(BEM)シミュレーションに対して厳密に検証されている。 このフレームワークは、データ駆動最適化と厳密な物理学を橋渡しし、機能的なトライボロジー曲面を発見するためのスケール不変の経路を提供する。

関連論文リスト

• Push, Press, Slide: Mode-Aware Planar Contact Manipulation via Reduced-Order Models [4.600772894287281]
  ロボットアームを1つまたは2つ組み合わせた平面操作のためのモード認識フレームワークを提案する。 我々の中核的な洞察は、複雑なレンチ・ツイストの極限表面力学は、物理的に直感的なモデルの離散的なライブラリに抽象化できるということである。 多様なシングルアームおよびバイマニュアル操作タスクのシミュレーションにおいて、高速で最適化不要なアプローチを実証する。
  論文  参考訳（メタデータ） (2026-03-12T19:21:19Z)
• ComFree-Sim: A GPU-Parallelized Analytical Contact Physics Engine for Scalable Contact-Rich Robotics Simulation and Control [7.095015036485825]
  相補性のない接触モデリングに基づくGPU並列解析用接触物理エンジンを提案する。 ComFree-Simは、クーロン摩擦の二重錐におけるインピーダンススタイルの予測-補正更新を通じて、接触インパルスを閉じた形で計算する。
  論文  参考訳（メタデータ） (2026-03-12T17:14:45Z)
• PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
  本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。 静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。 高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
  論文  参考訳（メタデータ） (2026-01-19T07:57:52Z)
• Friction on Demand: A Generative Framework for the Inverse Design of Metainterfaces [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-27T13:00:48Z)
• Physics-informed neural network solves minimal surfaces in curved spacetime [0.0]
  我々は、曲面時空における最小曲面を含む境界値問題を解くための物理情報ニューラルネットワーク(PINN)に基づくフレームワークを開発する。 我々のアプローチは、複素境界条件を持つ常微分方程式と偏微分方程式の両方に対する堅牢かつ正確な解を可能にする。
  論文  参考訳（メタデータ） (2025-09-13T15:41:13Z)
• 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)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
  本稿では,グラフ力学ネットワーク(GMN)を提案する。 GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。 大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
  論文  参考訳（メタデータ） (2022-03-12T14:22:14Z)
• Simplifying Hamiltonian and Lagrangian Neural Networks via Explicit Constraints [49.66841118264278]
  私たちは、現在のアプローチの限界を押し上げるために、一連の挑戦的なカオスと拡張ボディシステムを導入します。 実験の結果,明示的な制約を持つモンテカルロ座標は,精度とデータ効率を100倍に向上させることがわかった。
  論文  参考訳（メタデータ） (2020-10-26T13:35:16Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)

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。