Tuning collective actuation of active solids by optimizing activity localization
Notice bibliographique
Résumé
Active solids, more specifically elastic lattices embedded with polar active units, exhibit collective actuation when the elasto-active feedback, generically present in such systems, exceeds some critical value. The dynamics then condensates on a small fraction of the vibrational modes, the selection of which obeys non trivial rules rooted in the nonlinear part of the dynamics. So far, the complexity of the selection mechanism has limited the design of specific actuation. Here, we investigate numerically how localizing activity to a fraction of modes enables the selection of non-trivial collective actuation. We perform numerical simulations of an agent-based model on triangular and disordered lattices and vary the concentration and the localization of the active agents on the lattice nodes. Both contribute to the distribution of the elastic energy across the modes. We then introduce an algorithm, which, for a given fraction of active nodes, evolves the localization of the activity in such a way that the energy distribution on a few targeted modes is maximized - or minimized. We illustrate on a specific targeted actuation, how the algorithm performs as compared to manually chosen localization of the activity. While, in the case of the ordered lattice, a well-educated guess performs better than the algorithm, and the latter outperform the manual trials in the case of the disordered lattice. Finally, the analysis of the results in the case of the ordered lattice leads us to introduce a design principle based on a measure of the susceptibility of the modes to be activated along certain activation paths.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».