Resumo Técnico: Anastilose Estrutural Inversa Acelerada por GPU a partir da Dinâmica de Colapso de Blocos

1. Formulação do Problema

O artigo aborda a anastilose estrutural, o desafio de conservação de remontar monumentos arquitetônicos colapsados a partir de escombros dispersos. Enquanto os métodos tradicionais dependem do julgamento subjetivo e manual de especialistas, este trabalho reformula a anastilose como um problema de predição inversa: dada uma imagem estática de um estado de colapso (a configuração final), recuperar a configuração estrutural original (o estado inicial) e a sequência de eventos que levaram ao colapso.

Para tornar este problema computacionalmente tratável, os autores utilizam o jogo Jenga como um proxy físico. O Jenga fornece um ambiente controlado com proporções geométricas fixas (comprimento:largura:espessura ≈ 3:1:0.6) e dinâmica de corpo rígido bem definida. O desafio central é aprender uma distribuição de prior estrutural sobre configurações válidas de torres a partir de observações visuais de colapso, evitando a necessidade de correspondência de superfícies explícita ou análise de fraturas, que frequentemente falham em contextos arqueológicos desgastados pelo tempo.

2. Metodologia

O framework proposto, Jenga Inverse Predictor v2, integra um motor de simulação física de alta fidelidade com um modelo de aprendizado profundo. O pipeline consiste em quatro componentes principais:

A. Motor de Física e Simulação

Um motor de física de corpo rígido personalizado foi implementado para simular a dinâmica dos blocos, aderindo à mecânica analítica derivada por Ziglar (2006).

• Detecção de Colisão: Utiliza uma abordagem de duas fases. A fase ampla (broadphase) emprega Caixas Delimitadoras Alinhadas aos Eixos (AABB) aceleradas por GPU via CuPy. A fase estreita (narrowphase) utiliza o Teorema do Eixo Separador (SAT) com Caixas Delimitadoras Orientadas (OBB) e o recorte de Sutherland–Hodgman para gerar manifolds de contato.
• Solver de Contato: Implementa um solver Projected Gauss-Seidel (PGS) com fricção de Coulomb discreta. O solver executa 14 iterações por passo de tempo para resolver impulsos normais e restrições de fricção, garantindo estabilidade.
• Dinâmica: O sistema utiliza integração de Euler semi-implícita com sub-passos ($\Delta t = 1/240$ s). Ele impõe os limiares mecânicos de Ziglar para a remoção de blocos:
  • Translação no eixo Y (Bloco lateral): $F_{app} = 3\mu_s mg$ (Livre de torque).
  • Translação no eixo X (Bloco lateral): $F_{app} = 4\mu_s mg$ (Risco de torque).
• Critérios de Colapso: Um critério composto aciona a detecção de colapso baseada no deslocamento máximo ($\Delta x_{max}$), energia cinética ($E_k$) e ângulo de rotação ($\theta_{max}$).

B. Geração de Dados

O sistema gerou 450 episódios simulados através de três coeficientes de fricção estática ($\mu_s \in \{0.25, 0.40, 0.60\}$). Cada episódio registra a sequência temporal completa de remoção de blocos, o colapso resultante e o estado final disperso.

C. Arquitetura de Rede Neural

O componente de aprendizado é uma ResNet-18 de fluxo duplo adaptada para imagens em tons de cinza e injeção de fricção.

• Backbone: Um backbone ResNet-18 (modificado para aceitar entrada de 1 canal em escala de cinza) extrai características visuais, produzindo um embedding de 128 dimensões.
• Injeção de Fricção: Um vetor one-hot representando o nível de fricção ($\mu_s$) é projetado e concatenado com o embedding visual, permitindo que um único modelo generalize através de diferentes propriedades de materiais.
• Cabeças de Multitarefa: A rede prevê quatro saídas simultaneamente:
  1. Número de blocos removidos (Escalar, perda MSE).
  2. Locais de remoção (Mapa de calor de probabilidades de remoção por posição de bloco, perda BCE).
  3. Desequilíbrio do Centro de Massa (COM) (Escalar, perda MSE).
  4. Risco de torque acumulado (Escalar, perda MSE, prevendo a contagem de movimentos perigosos no eixo X).

D. Reconstrução Inversa

Para reconstruir a sequência de colapso a partir de uma única imagem, o sistema emprega um Algoritmo de Busca de Episódio de Referência. Ele cruza as predições do modelo (ex: número de blocos removidos, nível de fricção) com o banco de dados de episódios simulados. Uma vez identificado um episódio correspondente, o sistema reverte seus quadros temporais para gerar um vídeo da torre sendo reconstruída, efetivamente visualizando o processo de anastilose inversa.

3. Principais Contribuições

1. Framework de Anastilose Inversa: O artigo propõe uma nova abordagem para a anastilose que aprende priors estruturais a partir da dinâmica de colapso, em vez de depender da correspondência geométrica de superfícies.
2. Física Acelerada por GPU: Implementação de um motor completo de corpo rígido (OBB/SAT + PGS) acelerado via Numba JIT e CuPy, capaz de simular interações complexas de blocos com erro numérico <1% em comparação com soluções analíticas.
3. Aprendizado Profundo Informado pela Física: Uma arquitetura ResNet-18 que injeta explicitamente parâmetros físicos (fricção) e prevê quantidades físicas (risco de torque, desequilíbrio do COM) juntamente com características visuais.
4. Validação da Mecânica de Ziglar: A simulação valida os limiares analíticos de Ziglar (2006), confirmando que movimentos no eixo X geram significativamente mais torque e risco de colapso do que movimentos no eixo Y, e que uma fricção maior estabiliza a torre, mas aumenta o perigo de movimentos indutores de torque.

4. Resultados e Análise

• Fidelidade da Simulação: O motor de física reproduziu com sucesso os limiares analíticos para deslizamento de blocos e torque ($F_{app} = 0.23$ N para o eixo Y, $0.307$ N para o eixo X com $\mu_s=0.4$).
• Desempenho do Modelo: O modelo treinado conseguiu deduzir o número de blocos removidos, suas localizações e o risco de torque a partir de imagens estáticas de torres colapsadas.
• Generalização de Fricção: O mecanismo de injeção de fricção permitiu que o modelo distinguisse entre diferentes condições de material ($\mu_s = 0.25, 0.40, 0.60$) sem retreinamento, como evidenciado pela separação de embeddings em visualizações t-SNE.
• Reconstrução: O sistema gerou com sucesso vídeos 3D suaves da reconstrução inversa ao recuperar e reverter o episódio simulado mais semelhante.

5. Significância e Alegações

O artigo afirma demonstrar que a anastilose estrutural inversa é solucionável via aprendizado de máquina quando fundamentada em uma simulação física rigorosa. Os autores afirmam que:

• Um motor de física de corpo rígido completo pode ser implementado para respeitar equações analíticas com alta precisão.
• Redes neurais podem aprender a "ver" o passado de um colapso ao analisar os escombros do presente, mapeando padrões visuais de detritos para parâmetros físicos (contagem de movimentos, posições, risco de torque).
• O método proposto oferece uma base computacional para o patrimônio digital, citando especificamente a potencial aplicação no sítio Maya de Uxmal, na UNESCO, onde centenas de montes arquitetônicos requerem reconstrução.

O trabalho posiciona-se como uma ponte entre visão computacional, dinâmica de corpo rígido e conservação arqueológica, sugerindo que, embora a implementação atual utilize o Jenga como um proxy, os princípios subjacentes (aprender priors estruturais a partir de dinâmicas de colapso) são diretamente transferíveis para a remontagem de blocos de pedra reais, desde que a detecção de blocos 3D e tipologias específicas de paredes sejam incorporadas.