論文の概要: A physical adaptive material motor unit neural network: a hygromorph composite material machine

• arxiv url: http://arxiv.org/abs/2606.18275v1
• Date: Fri, 05 Jun 2026 16:04:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-21 20:00:42.796535
• Title: A physical adaptive material motor unit neural network: a hygromorph composite material machine
• Title（参考訳）: 物理適応型物質運動ユニットニューラルネットワーク : ハイグロモルフィック複合材料マシン
• Authors: Charles de Kergariou, David Correa, Adam W. Perriman, Helmut Hauser, Fabrizio Scarpa,
• Abstract要約: 木質および炭素系黒基複合材料からなる制御可能な新世代のアクチュエータを導入し, 温度, 相対湿度に敏感である。 これらの材料アクチュエータは、筋肉収縮トリガーにインスパイアされたモータユニットのような構造に組み立てられ、動的シェーディング制御が可能なインテリジェントマシンを形成する。 このマシンは、多様な環境条件下で収集された350以上の実験データポイントに基づいてトレーニングされたニューラルネットワークによって制御される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Advances in novel materials science enable structures to function as intelligent machines by embedding memory and learning capabilities directly into materials. Our work introduces a physical adaptive material motor unit neural network,leveraging a new generation of controllable actuators composed of wood- and carbon black-based composites, sensitive to temperature and relative humidity. These material actuators are assembled into a motor unit-like structure inspired by muscle contraction trigger, forming an intelligent machine capable of dynamic shading control that can be used, for example, in buildings. The machine is governed by a neural network trained on over 350 experimental data points collected under diverse environmental conditions. By establishing a new data-aware backpropagation training, we show that the machine predicts shading responses and learns to predict appropriate behaviour incrementally as the database expands. We also demonstrate the ability of the machine to optimise configurations to achieve similar shading outputs under two distinct conditions.
• Abstract（参考訳）: 新たな材料科学の進歩は、記憶と学習能力を材料に直接埋め込むことで、知的な機械として機能することを可能にしている。 本研究は,木質および炭素ブラック系複合材料からなる制御可能な新世代のアクチュエータを平均化し,温度と相対湿度に敏感な物理適応材料モータユニットニューラルネットワークを提案する。 これらの材料アクチュエータは、筋肉収縮トリガーにインスパイアされたモータユニットのような構造に組み立てられ、例えば建物で使用可能なダイナミックシェーディング制御が可能なインテリジェントマシンを形成する。 このマシンは、多様な環境条件下で収集された350以上の実験データポイントに基づいてトレーニングされたニューラルネットワークによって制御される。 新たなデータ認識バックプロパゲーショントレーニングを確立することで、マシンがシェーディング応答を予測し、データベースが拡大するにつれて適切な振る舞いを漸進的に予測できることが示される。 また、2つの異なる条件下で同様のシェーディング出力を達成するために、マシンが構成を最適化する能力を示す。

関連論文リスト

• AdaptiGraph: Material-Adaptive Graph-Based Neural Dynamics for Robotic Manipulation [30.367498271886866]
  本稿では,学習に基づく動的モデリング手法であるAdaptiGraphを紹介する。 ロボットは様々な難易度の高い変形可能な素材を予測し、適応し、制御することができる。 実世界の変形可能な物体の多種多様な集合を含む予測・操作タスクについて,予測精度とタスク習熟度に優れることを示す。
  論文  参考訳（メタデータ） (2024-07-10T17:57:04Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• Neuromechanical Autoencoders: Learning to Couple Elastic and Neural Network Nonlinearity [15.47367187516723]
  私たちは機械学習のアナログを開発しようとしています。 メカニカルインテリジェンス 複素非線形弾性体のモルフォロジーとaを共に学習する。 ディープ・ニューラル・ネットワークで制御できます
  論文  参考訳（メタデータ） (2023-01-31T19:04:28Z)
• Physics-informed Variational Autoencoders for Improved Robustness to Environmental Factors of Variation [0.6384650391969042]
  p$3$VAEは、データ取得条件に関連する変動の潜在要因に関する事前の物理的知識を統合する変分自動エンコーダである。 本稿では,機械学習部と物理部のバランスをとる半教師付き学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-19T09:32:15Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Bidirectional Interaction between Visual and Motor Generative Models using Predictive Coding and Active Inference [68.8204255655161]
  本稿では,感覚予測のための生成モデルと,運動軌跡の生成モデルからなるニューラルアーキテクチャを提案する。 我々は,知覚予測のシーケンスが学習,制御,オンライン適応を導くレールとしてどのように機能するかを強調する。
  論文  参考訳（メタデータ） (2021-04-19T09:41:31Z)
• Measuring and modeling the motor system with machine learning [117.44028458220427]
  モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。 本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
  論文  参考訳（メタデータ） (2021-03-22T12:42:16Z)
• Reservoir Computing with Magnetic Thin Films [35.32223849309764]
  新しい非伝統的なコンピューティングハードウェアは、自然現象を利用して効率を上げる可能性を秘めている。 物理貯水池計算は、様々な非伝統的なシステムでこれを実証している。 マイクロスケールシミュレーションにより薄膜の3つの磁性体を初期探査する。
  論文  参考訳（メタデータ） (2021-01-29T17:37:17Z)
• Sobolev training of thermodynamic-informed neural networks for smoothed elasto-plasticity models with level set hardening [0.0]
  本研究では, 可視成分を用いた平滑な弾塑性モデルの学習を目的としたディープラーニングフレームワークを提案する。 収率関数を進化レベル集合として再キャストすることにより、ハミルトン・ヤコビ方程式の解を予測する機械学習手法を導入する。
  論文  参考訳（メタデータ） (2020-10-15T22:43:32Z)
• ThreeDWorld: A Platform for Interactive Multi-Modal Physical Simulation [75.0278287071591]
  ThreeDWorld (TDW) はインタラクティブなマルチモーダル物理シミュレーションのためのプラットフォームである。 TDWは、リッチな3D環境において、高忠実な感覚データのシミュレーションと、移動体エージェントとオブジェクト間の物理的相互作用を可能にする。 我々は、コンピュータビジョン、機械学習、認知科学における新たな研究方向において、TDWによって実現された初期実験を提示する。
  論文  参考訳（メタデータ） (2020-07-09T17:33:27Z)

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。