미분 가능 시뮬레이터(Differentiable simulators)는 정책 학습과 모델 기반 제어에 발전을 가져왔지만, 액추에이터 동역학은 여전히 심-투-리얼(sim-to-real) 오류의 중요한 원인으로 남아 있습니다. 이는 특히 저가형 플랫폼에서 두드러지게 나타나는데, 마찰(friction), 이력 현상(hysteresis), 백래시(backlash), 열적 효과 등으로 인해 선형 전류-토크 관계 $\tau= K_tI$가 명령된 목표 추적 중 신뢰성을 잃기 때문입니다. 본 논문에서는 NeuralActuator를 제시합니다. 이는 저가형 서보 플랫폼에서 궤적 전파를 위한 시뮬레이터 등가 일반화 노력(generalized-effort) 대리값(surrogate)을 예측하고, 센서 없는 힘 인식(sensorless force perception)을 위해 접촉 확률 게이트(contact-probability gate)와 함께 외부 힘을 예측하며, 감독 학습 결합(supervised joint)을 위한 모터 상태 점수(motor-condition score)를 예측하는 신경 구동기 모델입니다. 또한, 로봇의 상태와 액추에이터 원격 조종 데이터를 외부 힘 레이블과 함께 기록한 Neural Actuation Dataset (NAD)도 소개합니다. 토크 대리값 헤드(torque-surrogate head)는 직접적인 일반화 노력 레이블 없이 자세 궤적으로부터 미분 가능 시뮬레이션을 통해 학습되는 반면, 힘, 게이트, 모터 상태 헤드는 직접적인 감독을 받습니다. 트랜스포머(Transformer)는 시간적 의존성을 포착하는 동시에 실시간 추론을 지원합니다. 우리는 NeuralActuator를 5-DoF OpenManipulator-X, 6-DoF SO-101, 그리고 7-DoF Franka Emika Panda에 대해 평가했으며, 이는 약 USD 500부터 USD 30,000 이상의 세 가지 액추에이터 계열 및 플랫폼을 아우릅니다. 저가형 플랫폼은 동역학 및 힘 평가를 지원하며, 오프라인 Franka 실험은 추가적인 페이로드-힘 추정 벤치마크를 제공합니다. 실험 결과는 OpenManipulator-X에서의 모터 상태 추정 적용과 NeuralActuator를 사전 학습된 모듈로 사용할 때 향상된 행동 복제(behavior-cloning) 성능을 추가적으로 입증했습니다.