基于GPU加速的逆结构复位：从块体坍塌动力学到古建筑复原

在考古学中，将倒塌的古建筑石构件精确复位到原始结构——即所谓“结构复位”——是一项极度复杂的挑战。传统方法依赖考古学家的经验和手工逐块比对，既费力又主观。受Jenga游戏组合复杂性的启发，研究人员提出了Jenga Inverse Predictor（JIP-2）框架，将结构复位视为一个逆预测任务。

JIP-2的核心是一个完全刚体物理引擎，采用定向包围盒/分离轴定理（OBB/SAT）碰撞检测，并通过投射高斯-赛德尔（PGS）接触求解器加速，后两者分别利用Numba JIT和CuPy CUDA实现。该引擎模拟了450个倒塌场景，覆盖三种摩擦系数（μ_s = 0.25, 0.40, 0.60），并应用了Ziglar（CMU, 2006）的分析力阈值：沿Y轴无扭矩时F_app = 3μ_s mg，沿X轴有扭矩风险时F_app = 4μ_s mg。

在模拟数据上，团队训练了一个双流ResNet-18网络：一流处理图像特征，另一流注入摩擦系数的独热编码。网络联合预测块移除数量、每个位置的移除概率、质心偏移以及Ziglar扭矩风险。最终，系统能生成一段平滑的3D视频，展示逐块逆向重建过程。

该论文详细描述了完整流程、架构和损失函数设计，并讨论了在联合国教科文组织世界遗产——墨西哥尤卡坦半岛乌斯马尔玛雅遗址的应用前景。JIP-2为计算机辅助考古复位提供了新思路，将深度学习与传统力学相结合，有望大幅提升文物修复的效率与客观性。