本研究では、マルチジョイントシステムにおける筋肉の活性化と力の時間効率の良い推定が、臨床評価や補助デバイスの制御において重要であることを述べています。従来のアプローチは計算コストが高く、マルチジョイント応用における質の高いラベル付きデータセットが不足しているという課題があります。これを解決するために、運動学から直接筋肉の活性化と力を推定する物理インフォームド深層学習フレームワークを提案します。このフレームワークは、新しいマルチジョイントクロスアテンション（MJCA）モジュールとバイディレクショナルゲートリカレントユニット（BiGRU）層を使用して、ジョイント間の調整を捉えます。これにより、各ジョイントは他のジョイントからの運動情報を適応的に統合できます。実験の結果、提案するPI-MJCA-BiGRUは、従来の監視学習法と同等の性能を発揮し、ラベルなしでも生理学的に一貫した予測を提供することが確認されました。