在文物保护科学中，将倒塌的建筑纪念碑石块重新拼装回原始结构位置——即所谓的“结构复原”（anastylosis）——被认为是最具智力挑战性的任务之一。传统方法高度依赖考古专家的判断和逐块的人工比对，这一过程不仅劳动密集，而且不可避免地带有主观性。受叠叠乐（Jenga）游戏中体现的组合复杂性启发，研究者 L.A. Muñoz 提出了一种名为 Jenga Inverse Predictor（JIP-2）的GPU加速深度学习框架，将结构复原问题重新定义为逆预测任务。
给定一张倒塌区块堆的图像，JIP-2 的目标是重建最可能的原始塔形配置。该框架由四个核心部分组成。首先，它实现了一个完整的刚体物理引擎，采用有向包围盒（OBB）和分离轴定理（SAT）进行碰撞检测，并使用投影高斯-赛德尔（PGS）接触求解器，通过 Numba JIT 和 CuPy CUDA 实现加速。其次，系统应用了 Ziglar（卡内基梅隆大学，2006年）提出的解析力阈值：沿Y轴的无扭矩情况为 F_app = 3*mu_s*m*g，沿X轴存在扭矩风险时为 F_app = 4*mu_s*m*g。这些阈值在三种摩擦系数水平（mu_s 分别为 0.25、0.40 和 0.60）下，应用于450个模拟回合中。
第三，研究团队训练了一个双流 ResNet-18 网络，该网络注入摩擦系数的独热编码向量，并联合预测四个输出：区块移除数量、每个位置的移除概率、质心不平衡度以及 Ziglar 扭矩风险。第四，系统能够生成逐块逆向重建的平滑三维视频，直观展示从坍塌状态回溯至原始塔形的过程。
论文还详细讨论了该方法对计算机辅助复原的启示，特别是针对墨西哥尤卡坦半岛的联合国教科文组织玛雅遗址乌斯马尔（Uxmal）的潜在应用。作者提供了完整流程、网络架构和损失函数公式的技术描述。该论文共20页，包含6张图表，并附有 GitHub 链接，属于计算机视觉与模式识别（cs.CV）以及机器学习（cs.LG）领域。论文提交于2026年6月23日，arXiv编号为2606.28394。