Bias de atención física mejora la predicción de dinámicas de cables

Los simuladores aprendidos para objetos lineales deformables (DLO), como los cables, enfrentan desafíos significativos al predecir el movimiento de objetos no entrenados y mantener la estabilidad a lo largo de simulaciones prolongadas. La mayoría de los errores se concentran en los puntos donde el cable entra en contacto consigo mismo o con el suelo. Aunque la atención sobre todos los pares de segmentos puede representar el contacto, carece de una noción de geometría, ya que un cable posee dos distancias pairwise: la distancia de longitud de arco, que gobierna las fuerzas elásticas, y la distancia euclidiana, que gobierna el contacto. El estudio introduce un 'bias de atención física', un término aditivo en las logits de atención con una tasa aprendida, para determinar cuál de estas distancias debe utilizarse. Los autores comparan la ausencia de bias, el uso de cada distancia por separado y la combinación de ambas en conjuntos de cabezas disjuntos, manteniendo el resto del modelo y el protocolo de entrenamiento fijos. Los resultados demuestran que un bias físico mejora la predicción en cables no vistos. La ganancia es mayor cuando la atención es el único mecanismo que conecta segmentos distantes; en este caso, el bias de longitud de arco reduce el error de predicción en un 15% y reduce a más de la mitad la deriva en la longitud del segmento. El bias euclidiano por sí solo se mantiene cercano al comportamiento no sesgado de la atención, mientras que asignar ambas distancias a través de las cabezas resulta ser la mejor o casi la mejor opción en todas las métricas reportadas. El código y los registros de cada ejecución están disponibles en GitHub.