自己整合型ニューラル制御：陰的平衡のための軌道学習

- 物理AIにおける implicit equilibrium 系（状態が暗黙の平衡で定義される系）を対象とした制御・学習フレームワーク。 - 提案手法は Self-Consistent Neural Control (SCNC) と呼ばれ、感度変動を明示的に制御しながら軌道を最適化する。 - 対象は multistable・path-dependent・長ホライズンで敏感な応答を示す系。 - deformable objects（弾性ロッド、薄肉チューブ、メジャーテープ、Slinky 様構造）で検証。

- 先行の adjoint learning は反復平衡ソルバを unroll せず効率的だが、frozen-tangent approximation に依存し高次感度項を無視する。 - 局所平衡が急速に変化すると adjoint の勾配が不正確になる問題がある。 - SCNC は感度変動を明示的に制御し、勾配誤差の数学的 bound を導出する点が新しい。 - adjoint learning と gradient-free の iCEM ベースラインに対し、収束が速く最適化が安定。 - 薄肉チューブで安定最適化率 83.3% vs 41.7%、平均 loss を1.5桁以上低減。

- 軌道最適化において感度変動を明示的に制御する Self-Consistent Neural Control (SCNC) を導入。 - 結果として生じる勾配誤差に対する数学的 bound を導出。 - 実用的な finite-difference approximation を開発。 - adjoint learning の frozen-tangent approximation を置き換え/補正する形で、高次感度項の影響を扱う。 - 詳細なアルゴリズム構成は要旨からは不明。

- deformable objects を implicit equilibrium 系の代表として検証。 - 単純な quadratic energy models（elastic rods）から、thin-walled tubes、measuring tapes、Slinky-like structures までを含む。 - adjoint learning および gradient-free の iCEM ベースラインと比較。 - 指標は収束速度、最適化安定性、安定最適化率、平均 loss。 - 薄肉チューブで安定最適化率 83.3% vs 41.7%、平均 loss 1.5桁以上低減を報告。

- 感度変動が顕著な系（thin-walled tubes）で特に有効性が示される。 - 望ましくない equilibrium branch への切り替えを減らすことで安定性が向上。 - 勾配誤差の bound と finite-difference approximation の実用性が議論の中心。 - 限界や適用範囲、計算コストの詳細は要旨からは不明。 - 一般の implicit equilibrium 系への拡張性は要旨からは不明。

- adjoint learning（frozen-tangent approximation を用いる手法） - iCEM（gradient-free のクロスエントロピー法ベースライン） - implicit equilibrium 系の学習に関する研究 - deformable object manipulation における軌道最適化 - 要旨で参照/比較されている上記以外の具体的論文は要旨からは不明。