Deep learning-based prediction of time-resolved adhesive forces in viscoelastic Hertzian contacts
本文提出了一种基于深度学习的代理模型，具体为一种具有级联条件化和固定测量步长表示的 LSTM 架构，该模型能够快速且准确地预测不同加载速率和粘附机制下粘弹性赫兹接触中的随时间变化的粘附力，从而为软体机器人和设计优化中的实时应用提供支持。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图用一个粘稠、软糯的机器人手指去捡起一颗娇嫩的葡萄。如果你拉得太快，葡萄可能会断裂；如果你拉得太慢，它可能会粘住不放。棘手之处在于，你的机器人手指不仅仅是橡胶，它是“粘弹性”的，这意味着它的行为就像是弹簧与蜂蜜的混合体。它会“记住”你刚才按压的力量有多大，而这种记忆会改变它此时此刻的粘附强度。这不仅仅是一个有趣的物理谜题；它更是构建能够抓取、爬行和操纵物体而不将其压碎的软体机器人的核心秘诀。
为了理解这一点，可以将“塔博参数”（Tabor parameter）想象成一个控制粘性的旋钮。向一个方向转动，接触感就像短程胶水（如胶带）；向另一个方向转动，它则表现得像长程磁力。真正的挑战在于，科学家需要精确预测在任何给定时刻，将手指拉开所需的力。通常情况下，计算这个过程需要运行庞大且缓慢的计算机模拟，对于单个场景可能需要耗费数小时。这就像是通过计算每一个空气分子的运动来预测天气一样——虽然准确，但速度太慢，无法用于实时应用。
这正是研究团队——阿里·马加米（Ali Maghami）、梅滕·斯坦德（Merten Stender）、米凯莱·恰瓦雷拉（Michele Ciavarella）和安东尼奥·帕帕杰洛（Antonio Papangelo）——施展巧妙捷径的地方。他们并没有试图制造一台更快的计算器，而是构建了一个“穿越时空”的人工智能。具体来说，他们训练了一种被称为 LSTM（长短期记忆网络）的深度学习模型。你可以把这个 AI 想象成一名超级聪明的学生，他看过了成千上万小时关于粘性手指被按压和拉伸的视频。AI 不再需要从头开始重新计算物理过程，它只需观察手指按压的历史记录，就能瞬间预测出整个未来的力曲线。
研究人员为他们的 AI 输入了一个包含 12,450 种不同场景的海量数据集，涵盖了从缓慢、温柔的拉动到快速、剧烈的猛拽，以及不同程度的粘性。为了让 AI 更容易学习，他们发明了一种名为“固定测量步长”（FMS）的特殊信息组织方式。想象一下，将一部在不同场景下运行速度各异的电影，强制转化为标准的 120 帧格式，以便 AI 在观看时不会感到困惑。此外，他们还给了 AI 一份“物理小抄”，不仅向其输入了手指的位置，还输入了速度以及运动发生变化的精确时刻（例如停顿的开始）。
结果令人印象深刻。他们称之为 M1-concat 的 AI 模型可以在大约 0.16 到 0.25 秒内预测出粘性接触的整个力历史。这大约比传统的计算机模拟快了 1,000 到 6,000 倍，因为后者完成同样任务可能需要几分钟甚至几个小时。在准确性方面，该 AI 与“完美”的模拟非常接近。在预测手指脱离（即“脱离点”）的精确时刻时，平均误差仅为 2.2%。在计算过程中损失的总能量（即“滞后”）时，误差甚至更小，仅为 1.1%。
然而，论文也谨慎地指出，这并不是解决一切问题的“万灵药”。这个 AI 是一个“代理模型”，这意味着它是一个基于特定规则训练出的快速近似值。它在处理经过训练的特定粘性、软质材料时表现卓越，但如果突然引入一种完全不同的材料或某种从未见过的奇特、混沌的运动，它可能会感到困惑。AI 犯错最大的时刻发生在最剧烈的时刻——比如当手指非常快速地从物体上弹开，或者运动发生突变时。在这些高速、混沌的时刻，误差可能会上升，尽管其平均性能依然非常强劲。
最终，这项工作表明，我们不需要等待数小时让计算机告诉我们软体机器人将如何粘附在物体上。通过使用这种深度学习“学生”，工程师们有可能设计出能够实时调整抓握力、像人类手一样对世界做出反应的机器人。虽然目前的 AI 还不完美，尤其是在面对最狂野、最快速的运动时，但它证明了我们可以通过牺牲极小部分的准确性来换取巨大的速度提升，从而为新一代敏捷的粘性机器人开启了大门。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。