本研究では、ロボティックマニピュレーターの静的摩擦モデル化に関する新しいアプローチを提案しています。従来の摩擦モデルは、一般的に前提条件が必要であり、未知の機能構造に直面すると困難が生じます。この問題を解決するために、コルモゴロフ・アーノルドネットワーク（KAN）を基にした物理インフォームドマシンラーニングを使用しています。この方法は、スプライン活性化関数とシンボリック回帰機構を統合しており、モデルを簡素化しつつ、物理的表現を抽出します。実験では、合成データや実際の摩擦データを用いて、提案手法が高い予測精度と解釈可能性を持ち、さまざまなタスクで決定係数が0.95を超えることが確認されました。本研究は、ロボティクスにおける摩擦モデル化の新しい視点を提供し、将来の工学的応用が期待されます。