Sintesi Tecnica: Anastilosi Strutturale Accelerata da GPU da Dinamiche di Collasso di Blocchi

1. Formulazione del Problema

Il documento affronta l'anastilosi strutturale, la sfida conservativa del riassemblaggio di monumenti architettonici crollati partendo dai detriti dispersi. Mentre i metodi tradizionali si affidano al giudizio esperto manuale e soggettivo, questo lavoro inquadra l'anastilosi come un problema di predizione inversa: data un'immagine statica di uno stato di crollo (la configurazione finale), recuperare la configurazione strutturale originale (lo stato iniziale) e la sequenza di eventi che ha portato al collasso.

Per rendere questo problema computazionalmente trattabile, gli autori utilizzano il gioco del Jenga come proxy fisico. Il Jenga fornisce un ambiente controllato con proporzioni geometriche fisse (lunghezza:larghezza:spessore ≈ 3:1:0.6) e dinamiche di corpo rigido ben definite. La sfida principale è apprendere una distribuzione di prior strutturali su configurazioni di torri valide partendo da osservazioni visive del collasso, bypassando la necessità di un esplicito accoppiamento di superfici o dell'analisi delle fratture, che spesso fallisce in contesti archeologici degradati.

2. Metodologia

Il framework proposto, Jenga Inverse Predictor v2, integra un motore di simulazione fisica ad alta fedeltà con un modello di deep learning. La pipeline si compone di quattro componenti principali:

A. Motore Fisico e Simulazione

È stato implementato un motore di fisica per corpi rigidi personalizzato per simulare le dinamiche dei blocchi, aderendo alla meccanica analitica derivata da Ziglar (2006).

• Rilevamento delle Collisioni: Utilizza un approccio a due fasi. La fase ampia (broadphase) impiega AABB (Axis-Aligned Bounding Boxes) accelerate da GPU tramite CuPy. La fase stretta (narrowphase) utilizza il Teorema dell'Asse Separatore (SAT) con OBB (Oriented Bounding Boxes) e lo clipping di Sutherland–Hodgman per generare i manifold di contatto.
• Solver di Contatto: Implementa un solver Projected Gauss-Seidel (PGS) con attrito di Coulomb discreto. Il solver esegue 14 iterazioni per ogni passo temporale per risolvere gli impulsi normali e i vincoli di attrito, garantendo la stabilità.
• Dinamica: Il sistema utilizza l'integrazione di Eulero semi-implicita con sub-stepping ($\Delta t = 1/240$ s). Enforce i parametri meccanici di Ziglar per la rimozione dei blocchi:
  • Traslazione sull'asse Y (Blocco laterale): $F_{app} = 3\mu_s mg$ (Senza coppia).
  • Traslazione sull'asse X (Blocco laterale): $F_{app} = 4\mu_s mg$ (Rischio di coppia).
• Criterio di Collasso: Un criterio composito attiva il rilevamento del collasso basandosi sulla massima traslazione ($\Delta x_{max}$), energia cinetica ($E_k$) e angolo di rotazione ($\theta_{max}$).

B. Generazione dei Dati

Il sistema ha generato 450 episodi simulati attraverso tre coefficienti di attrito statico ($\mu_s \in \{0.25, 0.40, 0.60\}$). Ogni episodio registra la sequenza temporale completa delle rimozioni dei blocchi, il conseguente collasso e lo stato finale disperso.

C. Architettura della Rete Neurale

La componente di apprendimento è una ResNet-18 a doppio stream adattata per immagini in scala di grigi e iniezione di attrito.

• Backbone: Un backbone ResNet-18 (modificato per accettare input a 1 canale in scala di grigi) estrae caratteristiche visive, producendo un embedding a 128 dimensioni.
• Iniezione di Attrito: Un vettore one-hot che rappresenta il livello di attrito ($\mu_s$) viene proiettato e concatenato con l'embedding visivo, permettendo a un singolo modello di generalizzare su diverse proprietà dei materiali.
• Teste Multi-task: La rete predice simultaneamente quattro output:
  1. Numero di blocchi rimossi (Scalare, perdita MSE).
  2. Posizioni di rimozione (Mappa di calore delle probabilità di rimozione per posizione del blocco, perdita BCE).
  3. Squilibrio del Centro di Massa (COM) (Scalare, perdita MSE).
  4. Rischio di coppia accumulato (Scalare, perdita MSE, predizione del numero di movimenti pericolosi sull'asse X).

D. Ricostruzione Inversa

Per ricostruire la sequenza di collasso da una singola immagine, il sistema impiega un Algoritmo di Ricerca dell'Episodio di Riferimento. Esso confronta le predizioni del modello (ad esempio, numero di blocchi rimossi, livello di attrito) con il database degli episodi simulati. Una volta identificato l'episodio corrispondente, il sistema inverte i suoi frame temporali per generare un video della torre che viene ricostruita, visualizzando efficacemente il processo di anastilosi inversa.

3. Contributi Chiave

1. Framework di Anastilosi Inversa: Il documento propone un nuovo approccio all'anastilosi che apprende i prior strutturali dalle dinamiche di collasso piuttosto che affidarsi all'accoppiamento geometrico delle superfici.
2. Fisica Accelerata da GPU: Implementazione di un motore completo per corpi rigidi (OBB/SAT + PGS) accelerato tramite Numba JIT e CuPy, capace di simulare complesse interazioni tra blocchi con un errore numerico <1% rispetto alle soluzioni analitiche.
3. Deep Learning Informato dalla Fisica: Un'architettura ResNet-18 che inietta esplicitamente parametri fisici (attrito) e predice quantità fisiche (rischio di coppia, squilibrio COM) insieme alle caratteristiche visive.
4. Validazione della Meccanica di Ziglar: La simulazione valida le soglie analitiche di Ziglar (2006), confermando che i movimenti sull'asse X generano una coppia e un rischio di collasso significativamente più elevati rispetto ai movimenti sull'asse Y, e che un attrito maggiore stabilizza la torre ma aumenta il pericolo dei movimenti che inducono coppia.

4. Risultati e Analisi

• Fedeltà della Simulazione: Il motore fisico ha riprodotto con successo le soglie analitiche per lo scivolamento dei blocchi e la coppia ($F_{app} = 0.23$ N per l'asse Y, $0.307$ N per l'asse X con $\mu_s=0.4$).
• Prestazioni del Modello: Il modello addestrato è riuscito a dedurre il numero di blocchi rimossi, le loro posizioni e il rischio di coppia partendo da immagini statiche di torri collassate.
• Generalizzazione dell'Attrito: Il meccanismo di iniezione dell'attrito ha permesso al modello di distinguere tra diverse condizioni materiali ($\mu_s = 0.25, 0.40, 0.60$) senza riaddestramento, come dimostrato dalla separazione degli embedding nelle visualizzazioni t-SNE.
• Ricostruzione: Il sistema ha generato con successo video 3D fluidi della ricostruzione inversa recuperando e invertendo l'episodio simulato più simile.

5. Significato e Rivendicazioni

Il documento sostiene che l'anastilosi strutturale inversa è risolvibile tramite machine learning quando supportata da una rigorosa simulazione fisica. Gli autori affermano che:

• Un motore fisico completo per corpi rigidi può essere implementato per rispettare le equazioni analitiche con alta precisione.
• Le reti neurali possono imparare a "vedere" il passato di un collasso analizzando le macerie del presente, mappando i pattern visivi dei detriti a parametri fisici (conteggio movimenti, posizioni, rischio di coppia).
• Il metodo proposto offre una base computazionale per il patrimonio digitale, citando specificamente la potenziale applicazione presso il sito UNESCO Maya di Uxmal, dove centinaia di cumuli architettonici richiedono la ricostruzione.

Il lavoro si pone come un ponte tra computer vision, dinamica dei corpi rigidi e conservazione archeologica, suggerendo che, sebbene l'attuale implementazione utilizzi il Jenga come proxy, i principi sottostanti (apprendimento dei prior strutturali dalle dinamiche di collasso) sono direttamente trasferibili alla riassemblaggio di blocchi di pietra reali, a condizione che vengano incorporati il rilevamento 3D dei blocchi e tipologie specifiche di muratura.