Resumen Técnico: Anastilosis Estructural Inversa Acelerada por GPU a partir de la Dinámica de Colapso de Bloques

1. Formulación del Problema

El artículo aborda la anastilosis estructural, el desafío de conservación que consiste en reensamblar monumentos arquitectónicos colapsados a partir de escombros dispersos. Mientras que los métodos tradicionales dependen del juicio experto manual y subjetivo, este trabajo redefine la anastilosis como un problema de predicción inversa: dada una imagen estática de un estado de colapso (la configuración final), recuperar la configuración estructural original (el estado inicial) y la secuencia de eventos que condujeron al colapso.

Para hacer este problema computacionalmente tratable, los autores utilizan el juego de Jenga como un proxy físico. El Jenga proporciona un entorno controlado con proporciones geométricas fijas (longitud:ancho:espesor ≈ 3:1:0.6) y una dinámica de cuerpo rígido bien definida. El desafío central es aprender una distribución de prior estructural sobre configuraciones de torres válidas a partir de observaciones visuales de colapso, evitando la necesidad de un emparejamiento de superficies explícito o un análisis de fractura que a menudo falla en contextos arqueológicos erosionados.

2. Metodología

El marco propuesto, Jenga Inverse Predictor v2, integra un motor de simulación de física de alta fidelidad con un modelo de aprendizaje profundo. El flujo de trabajo consta de cuatro componentes principales:

A. Motor de Física y Simulación

Se implementó un motor de física de cuerpos rígidos personalizado para simular la dinámica de los bloques, adhiriéndose a la mecánica analítica derivada por Ziglar (2006).

• Detección de Colisiones: Utiliza un enfoque de dos fases. La fase amplia emplea Cajas Delimitadoras Alineadas con los Ejes (AABB) aceleradas por GPU mediante CuPy. La fase estrecha utiliza el Teorema del Eje Separador (SAT) con Cajas Delimitadoras Orientadas (OBB) y el recorte de Sutherland–Hodgman para generar variedades de contacto.
• Solucionador de Contacto: Implementa un solucionador de Gauss-Seidel Proyectado (PGS) con fricción de Coulomb discreta. El solucionador ejecuta 14 iteraciones por paso de tiempo para resolver impulsos normales y restricciones de fricción, garantizando la estabilidad.
• Dinámica: El sistema utiliza integración de Euler semi-implícita con sub-pasos ($\Delta t = 1/240$ s). Enuncia los umbrales mecánicos de Ziglar para la remoción de bloques:
  • Traslación en el eje Y (Bloque lateral): $F_{app} = 3\mu_s mg$ (Libre de torque).
  • Traslación en el eje X (Bloque lateral): $F_{app} = 4\mu_s mg$ (Riesgo de torque).
• Criterios de Colapso: Un criterio compuesto activa la detección de colapso basado en el desplazamiento máximo ($\Delta x_{max}$), energía cinética ($E_k$) y ángulo de rotación ($\theta_{max}$).

B. Generación de Datos

El sistema generó 450 episodios simulados a través de tres coeficientes de fricción estática ($\mu_s \in \{0.25, 0.40, 0.60\}$). Cada episodio registra la secuencia temporal completa de las remociones de bloques, el colapso resultante y el estado de dispersión final.

C. Arquitectura de la Red Neuronal

El componente de aprendizaje es una ResNet-18 de doble flujo adaptada para imágenes en escala de grises e inyección de fricción.

• Backbone: Un backbone ResNet-18 (modificado para aceptar entrada de 1 canal en escala de grises) extrae características visuales, produciendo un embedding de 12za dimensiones.
• Inyección de Fricción: Un vector one-hot que representa el nivel de fricción ($\mu_s$) se proyecta y se concatena con el embedding visual, permitiendo que un solo modelo se generalice a través de diferentes propiedades de los materiales.
• Cabezales de Tareas Múltiples: La red predice cuatro salidas simultáneamente:
  1. Número de bloques removidos (Escalar, pérdida MSE).
  2. Ubicaciones de remoción (Mapa de calor de probabilidades de remoción por posición de bloque, pérdida BCE).
  3. Desequilibrio del Centro de Masa (COM) (Escalar, pérdida MSE).
  4. Riesgo de torque acumulado (Escalar, pérdida MSE, prediciendo el conteo de movimientos peligrosos en el eje X).

D. Reconstrucción Inversa

Para reconstruir la secuencia de colapso a partir de una sola imagen, el sistema emplea un Algoritmo de Búsqueda de Episodio de Referencia. Este empareja las predicciones del modelo (por ejemplo, número de bloques removidos, nivel de fricción) contra la base de datos de episodios simulados. Una vez identificado un episodio coincidente, el sistema revierte sus fotogramas temporales para generar un video de la torre siendo reconstruida, visualizando efectivamente el proceso de anastilosis inversa.

3. Contribuciones Clave

1. Marco de Anastilosis Inversa: El artículo propone un enfoque novedoso para la anastilosis que aprende los priors estructurales a partir de la dinámica de colapso en lugar de depender del emparejamiento geométrico de superficies.
2. Física Acelerada por GPU: Implementación de un motor completo de cuerpos rígidos (OBB/SAT + PGS) acelerado mediante Numba JIT y CuPy, capaz de simular interacciones complejas de bloques con un error numérico inferior al 1% en comparación con las soluciones analíticas.
3. Aprendizaje Profundo Informado por la Física: Una arquitectura ResNet-18 que inyecta explícitamente parámetros físicos (fricción) y predice cantidades físicas (riesgo de torque, desequilibrio del COM) junto con características visuales.
4. Validación de la Mecánica de Ziglar: La simulación valida los umbrales analíticos de Ziglar (2006), confirmando que los movimientos en el eje X generan un torque y un riesgo de colapso significativamente mayores que los movimientos en el eje Y, y que una mayor fricción estabiliza la torre pero aumenta el peligro de los movimientos que inducen torque.

4. Resultados y Análisis

• Fidelidad de la Simulación: El motor de física reprodujo con éxito los umbrales analíticos para el deslizamiento de bloques y el torque ($F_{app} = 0.23$ N para el eje Y, $0.307$ N para el eje X con $\mu_s=0.4$).
• Rendimiento del Modelo: El modelo entrenado dedujo con éxito el número de bloques removidos, sus ubicaciones y el riesgo de torque a partir de imágenes estáticas de torres colapsadas.
• Generalización de la Fricción: El mecanismo de inyección de fricción permitió al modelo distinguir entre diferentes condiciones de material ($\mu_s = 0.25, 0.40, 0.60$) sin reentrenamiento, como lo evidencia la separación de los embeddings en las visualizaciones t-SNE.
• Reconstrucción: El sistema generó con éxito videos fluidos en 3D de la reconstrucción inversa mediante la recuperación y reversión del episodio simulado más similar.

5. Significado y Reivindicaciones

El artículo afirma demostrar que la anastilosis estructural inversa es resoluble mediante aprendizaje automático cuando se fundamenta en una simulación física rigurosa. Los autores sostienen que:

• Se puede implementar un motor de física de cuerpos rígidos completo que respete las ecuaciones analíticas con alta precisión.
• Las redes neuronales pueden aprender a "ver" el pasado de un colapso analizando los escombros del presente, mapeando los patrones visuales de los desechos hacia parámetros físicos (conteo de movimientos, posiciones, riesgo de torque).
• El método propuesto ofrece un soporte computacional para el patrimonio digital, citando específicamente la aplicación potencial en el sitio maya de la UNESCO en Uxmal, donde cientos de montículos arquitectónicos requieren reconstrucción.

Este trabajo se posiciona como un puente entre la visión por computadora, la dinámica de cuerpos rígidos y la conservación arqueológica, sugiriendo que, si bien la implementación actual utiliza el Jenga como un proxy, los principios subyacentes (aprender los priors estructurales a partir de la dinámica de colapso) son directamente transferibles a la reensambladura de bloques de piedra en el mundo real, siempre que se incorporen la detección de bloques en 3D y tipologías de muros específicas.