إطار تصنيف سحابة نقاط Mamba المتبقي لقطع محارب التيراكوتا ثلاثي الأبعاد

لماذا تظل التماثيل المكسورة مهمة

تُعد تماثيل التيراكوتا واحدة من أهم الاكتشافات الأثرية في العالم، ومع ذلك فإن العديد من هؤلاء الجنود الطينيين بحجم الحياة لا يبقون اليوم إلا على شكل شظايا مبعثرة. إعادة تجميعهم تشبه حلّ لغز ثلاثي الأبعاد مكوّن من آلاف القطع المفقودة والمضللة. تقدم هذه الدراسة طريقة جديدة قائمة على الذكاء الاصطناعي تنظر مباشرة إلى مسوحات ثلاثية الأبعاد مفصّلة للشظايا لتصنيفها حسب جزء الجسم، بهدف تسريع الترميم الرقمي ومساعدة أمهر الحفظ على فهم كيفية بناء التماثيل الأصلية.

من الشظايا المتناثرة إلى النقاط الرقمية

يمكن للماسحات الحديثة التقاط شكل كل شظية على هيئة «سحابة نقاط» — ملايين النقاط الصغيرة في الفراغ التي ترسم كل نتوء وانحناء وحافة كسر على سطح الطين. تحافظ هذه السحب ثلاثية الأبعاد الخام على تفاصيل أكثر بكثير من الصور الفوتوغرافية، لكنها أيضًا أصعب في تفسيرها للحواسيب. حاولت الأساليب السابقة تبسيط البيانات إما بتقطيعها إلى صور ثنائية الأبعاد أو بتعبئتها في شبكات ثلاثية الأبعاد. كلا الاختصارين سهل العمليات الحسابية، لكنه طمس بعض البُنى السطحية الدقيقة التي تهم عند التمييز بين شظية ذراع وشظية ساق.

تعليم الحواسيب قراءة التفاصيل الدقيقة

صمم الباحثون نظامًا جديدًا يُدعى PointRM يعمل مباشرة على النقاط ثلاثية الأبعاد الأصلية دون تسطيح أو تعتيق. أولًا، يكسر الأسلوب سحابة نقاط الشظية إلى أحياء صغيرة عديدة باستخدام العينات وبحث الجيران الأقرب. داخل كل حيّ، يدمج الإحداثيات المكانية الدقيقة للنقاط مع قيم «ميزات» متعلمة تلخّص الشكل المحلي. ثم يقوم مكوّن متخصص بدمج قطع المعلومات الهندسية والمظهرية هذه، مبرزًا الانحناءات والحواف الدقيقة التي تحدد، على سبيل المثال، حافة كم أو ثنية ركبة.

إتاحة رؤية الصورة الكُبرى للنموذج

بمجرد بناء هذه المجموعات المحلية، يجب على PointRM أن يقرر أي الميزات هي الأهم بصورة كلية. لتحقيق ذلك، يقيم أهمية كل رقعة محلية ثم يعيد ترتيبها إلى تسلسلَين مرايا: أحدهما من مرتفع الأهمية إلى منخفضها، والآخر بالعكس. تُغذى هذه التسلسلات المرتبة إلى مكوّن «Mamba المتبقي»، وهو نوع جديد من شبكات معالجة التسلسلات يمكنه تتبّع علاقات بعيدة المدى عبر العديد من الرقع بعمليات حسابية خفيفة نسبيًا. بمسح هذه الرقع في الاتجاهين الأمامي والخلفي، يتعلم النموذج كيف ترتبط مناطق متباعدة من نفس الشظية ببعضها — وهي خطوة أساسية للتعرّف على قطعٍ غير مكتملة وغير منتظمة.

اختبار الطريقة

قيّم الفريق أداء PointRM على عدة مجموعات معيارية ثلاثية الأبعاد، بما في ذلك مجموعات من الأغراض اليومية والأشكال ذات الأجزاء الموسومة. عبر هذه الاختبارات، حققت الطريقة الجديدة دقة مساوية أو متفوقة على أنظمة رائدة قائمة على الشبكات العصبية التقليدية ونماذج Transformer، مع استخدام عمليات أقل. ثم وجّه المؤلفون تركيزهم إلى الهدف الرئيسي: تصنيف شظايا محاربي التيراكوتا الحقيقية إلى أربع فئات — أذرع، أجسام، رؤوس، وأرجل — من مسوحات منظّفة ومخفّضة العيّنة بعناية. من بين ما يقرب من اثني عشر ألف شظية، حدّد PointRM أكثر من 96٪ بشكل صحيح، متفوقًا على الطرق المتخصصة السابقة ومتماسكًا حتى عندما جُعلت بيانات الإدخال أكثر ضوضاءً أو ندرة.

ماذا يعني هذا للجنود القدامى

بالنسبة لغير المتخصصين، الخلاصة هي أن هذا العمل يمنح علماء الآثار ومحافظي التراث «محرك فرز» رقميًا قويًا للشظايا ثلاثية الأبعاد. بدل الاعتماد فقط على الفحص اليدوي المتأنِّي، يمكن للفرق الآن استخدام PointRM لتجميع أعداد كبيرة من القطع بسرعة حسب جزء الجسم المرجح، وفصل الشظايا المضللة، وإعداد مجموعات أكثر تركيزًا للتطابق والترميم التفصيلي. وعلى الرغم من أن للطريقة حدودًا تقنية — مثل الصعوبة مع المسوحات شديدة الندرة — إلا أنها تشكّل خطوة مهمة نحو خطوط عمل ترميم رقمية كاملة تحافظ على الأصول الهشة مع الكشف أكثر عن كيفية صنع محاربي التيراكوتا وكيف وقفوا يومًا معًا في جيش الإمبراطور الضخم تحت الأرض.

الاستشهاد: Li, Y., Zhou, M., Zhou, P. et al. A residual mamba point cloud classification framework for 3D Terracotta Warrior fragments. npj Herit. Sci. 14, 243 (2026). https://doi.org/10.1038/s40494-026-02496-6

الكلمات المفتاحية: محاربون تيراكوتا, سحب نقاط ثلاثية الأبعاد, التراث الثقافي, تصنيف الشظايا, التعلم العميق