기술 요약: 블록 붕괴 역학으로부터의 GPU 가속 역구조 복원(Inverse Structural Anastylosis)

1. 문제 정의

본 논문은 무너진 건축 유적의 파편을 재조립하는 보존 과제인 **구조적 아나스틸로시스(structural anastylosis)**를 다룬다. 전통적인 방식은 전문가의 주관적 판단에 의존하는 반면, 본 연구는 아나스틸로시스를 **역예측 문제(inverse prediction problem)**로 재정의한다. 즉, 붕괴된 상태의 정적 이미지(최종 구성)가 주어졌을 때, 원래의 구조적 구성(초기 상태)과 붕로의 붕괴 과정에 이르는 일련의 사건들을 복구하는 것이다.

이 문제를 계산 가능한 형태로 만들기 위해, 저자들은 젠가(Jenga) 게임을 물리적 대리물(proxy)로 사용한다. 젠가는 고정된 기하학적 비율(길이:너비:두께 ≈ 3:1:0.6)과 잘 정의된 강체 역학을 제공하여 통제된 환경을 제공한다. 핵심 과제는 풍화된 고고학적 맥락에서 흔히 실패하는 명시적인 표면 매칭이나 파쇄 분석을 우회하여, 붕괴의 시각적 관찰로부터 유효한 구조적 사전 분포(structural prior distribution)를 학습하는 것이다.

2. 방법론

제안된 프레임워크인 Jenga Inverse Predictor v2는 고충실도 물리 시뮬레이션 엔진과 딥러닝 모델을 통합한다. 파이프라인은 네 가지 주요 구성 요소로 이루어져 있다:

A. 물리 엔진 및 시뮬레이션

**Ziglar (2006)**에 의해 도출된 해석 역학을 준수하는 블록 역학 시뮬레이션을 위해 커스텀 강체 물리 엔진이 구현되었다.

• 충돌 검출(Collision Detection): 2단계 접근 방식을 사용한다. 브로드페이즈(broadphase)는 CuPy를 통한 GPU 가속 축 정렬 바운딩 박스(AABB)를 사용하며, 내로우페이즈(narrowphase)는 방향성 바운딩 박스(OBB)와 Sutherland–Hodgman 클리핑을 사용하는 분리축 이론(SAT)을 사용하여 접촉 매니폴드를 생성한다.
• 접촉 솔버(Contact Solver): 이산 쿨롱 마찰(discrete Coulomb friction)을 포함한 투영 가우스-사이델(Projected Gauss-Seidel, PGS) 솔버를 구현하였다. 솔버는 법선 충격량과 마찰 제약을 해결하기 위해 타임 스텝당 14회의 반복 계산을 수행하여 안정성을 보장한다.
• 역학(Dynamics): 시스템은 서브 스텝($\Delta t = 1/240$ s)을 사용하는 준암묵적 오일러 적분(semi-implicit Euler integration)을 사용한다. 또한 블록 제거에 대한 Ziglar의 기계적 임계값을 적용한다:
  • Y축 이동 (측면 블록): $F_{app} = 3\mu_s mg$ (토크 발생 없음).
  • X축 이동 (측면 블록): $F_{app} = 4\mu_s mg$ (토크 위험 발생).
• 붕괴 기준: 최대 변위($\Delta x_{max}$), 운동 에너지($E_k$), 회전 각도($\theta_{max}$)를 기반으로 한 복합 기준이 붕괴 감지를 트리거한다.

B. 데이터 생성

시스템은 세 가지 정적 마찰 계수($\mu_s \in \{0.25, 0.40, 0.60\}$)에 걸쳐 450개의 시뮬레이션 에피소드를 생성했다. 각 에피소드는 블록 제거의 전체 시간적 순서, 그로 인한 붕괴, 그리고 최종적으로 흩어진 상태를 기록한다.

C. 신경망 아키텍처

학습 구성 요소는 그레이스케일 이미지와 마찰력 주입에 적응된 이중 스트림 ResNet-18이다.

• 백본(Backbone): 1채널 그레이스케일 입력을 수용하도록 수정된 ResNet-18 백본이 시각적 특징을 추출하여 128차원 임베딩을 생성한다.
• 마찰력 주입(Friction Injection): 마찰 수준($\mu_s$)을 나타내는 원-핫 벡터가 투영되어 시각적 임베딩과 결합되며, 이를 통해 단일 모델이 다양한 재료 특성에 대해 일반화할 수 있도록 한다.
• 멀티 태스크 헤드(Multi-Task Heads): 네트워크는 다음 네 가지 출력을 동시에 예측한다:
  1. 제거된 블록 수 (스칼라, MSE 손실).
  2. 제거 위치 (블록 위치별 제거 확률의 히트맵, BCE 손실).
  3. 질량 중심(COM) 불균형 (스칼라, MSE 손실).
  4. 누적 토크 위험 (스칼라, MSE 손실, 위험한 X축 이동 횟수 예측).

D. 역구조 복원

단일 이미지를 통해 붕괴 순서를 재구성하기 위해, 시스템은 **참조 에피소드 탐색 알고리즘(Reference Episode Search Algorithm)**을 사용한다. 이는 모델의 예측값(예: 제거된 블록 수, 마찰 수준)을 시뮬레이션된 에피소드 데이터베이스와 매칭한다. 일치하는 에피소드가 식별되면, 시스템은 해당 에피소드의 시간적 프레임을 역재생하여 타워가 재건되는 비디오를 생성함으로써 역순의 아나스틸로시스 과정을 시각화한다.

3. 주요 기여

1. 역아나스틸로시스 프레임워크: 본 논문은 기하학적 표면 매칭에 의존하는 대신 붕괴 역학으로부터 구조적 사전 분포를 학습하는 새로운 아나스틸로시스 접근법을 제안한다.
2. GPU 가속 물리 엔진: Numba JIT 및 CuPy를 통해 가속화된 완전한 강체 엔진(OBB/SAT + PGS)을 구현하였으며, 해석적 해와 비교했을 때 수치적 오차가 1% 미만이다.
3. 물리 정보 기반 딥러닝: 물리적 파라미터(마찰력)를 명시적으로 주입하고 시각적 특징과 함께 물리적 양(토크 위험, 질량 중심 불균형)을 예측하는 ResNet-18 아키텍처를 제시한다.
4. Ziglar의 역학 검증: 시뮬레이션을 통해 Ziglar(2006)의 임계값을 검증하였으며, X축 이동이 Y축 이동보다 훨씬 높은 토크와 붕괴 위험을 생성한다는 점을 확인하였다. 또한 높은 마찰력이 타워를 안정시키지만 토크를 유발하는 움직치의 위험성을 높인다는 점을 입증하였다.

4. 결과 및 분석

• 시뮬레이션 충실도: 물리 엔진은 블록 슬라이딩 및 토크에 대한 해석적 임계값($\mu_s=0.4$일 때 Y축 $F_{app} = 0.23$ N, X축 $F_{app} = 0.307$ N)을 성공적으로 재현하였다.
• 모델 성능: 훈련된 모델은 붕괴된 타워의 정적 이미지로부터 제거된 블록 수, 위치 및 토크 위험을 성공적으로 추론하였다.
• 마찰력 일반화: 마찰력 주입 메커니즘을 통해 모델은 재학습 없이도 서로 다른 재료 조건($\mu_s = 0.25, 0.40, 0.60$)을 구분할 수 있었으며, 이는 t-SNE 시각화에서의 임베딩 분리로 증명되었다.
• 복원: 시스템은 가장 유사한 시뮬레이션 에피소드를 검색 및 역재생함으로써 부드러운 3D 역구조 복원 영상을 성공적으로 생성하였다.

5. 의의 및 주장

본 논문은 역아나스틸로시스가 엄격한 물리 시뮬레이션에 기반할 때 머신러닝을 통해 해결 가능하다는 것을 보여준다고 주장한다. 저자들은 다음과 같이 단언한다:

• 완전한 강체 물리 엔진은 높은 정밀도로 해석 방정식을 준수하도록 구현될 수 있다.
• 신경망은 현재의 잔해를 분석함으로써 과거의 붕괴를 "볼" 수 있으며, 시각적 파편 패턴을 물리적 파라미터(이동 횟수, 위치, 토크 위험)로 매핑할 수 있다.
• 제안된 방법은 디지털 헤리티지(Digital Heritage)를 위한 계산적 토대를 제공하며, 특히 수백 개의 건축적 마운드가 재건을 필요로 하는 **유네스코 마야 유적지 우스말(Uxmal)**에 대한 적용 가능성을 언급한다.

이 연구는 컴퓨터 비전, 강체 역학, 그리고 고고학적 보존 사이의 가교 역할을 하며, 현재 구현은 젠가를 대리물로 사용하고 있으나, (3D 블록 탐지 및 특정 벽체 유형이 통합된다면) 근본적인 원리(붕괴 역학으로부터의 구조적 사전 분포 학습)는 실제 석재 블록 재조립에 직접적으로 전이 가능하다는 점을 시사한다.