Rassembler des lattes de bambou anciennes fragmentées grâce à l’apprentissage profond guidé par la physique

Assembler un passé brisé

Dans toute l’Asie de l’Est, nombre des tout premiers livres n’étaient pas des volumes de papier reliés, mais de longues lanières fines de bambou couvertes d’encre. Enfouis pendant plus de deux mille ans, beaucoup de ces documents fragiles parviennent aujourd’hui aux archéologues sous la forme de tas mélangés de tout petits morceaux. Déterminer manuellement quels fragments s’emboîtent peut prendre des semaines pour une seule correspondance. Cette étude présente WisePanda, un nouveau système d’intelligence artificielle guidé par la physique qui aide les chercheurs à réunir ces lattes de bambou anciennes beaucoup plus rapidement et avec plus de précision, ouvrant ainsi un accès accéléré aux mots et aux idées qu’elles contiennent.

Pourquoi les bambous anciens comptent aujourd’hui

Les lattes de bambou conservent tout, des codes juridiques et rapports officiels à la philosophie et aux calendriers quotidiens de l’ancienne Chine. Parce que le bambou est robuste, de nombreuses lattes ont survécu sous terre avec l’écriture encore lisible. Pourtant, séismes, pression du sol, humidité et microbes ont brisé de nombreuses lattes en milliers de fragments irréguliers. Les bords sont déformés et érodés, et les caractères n’atteignent souvent pas les marges rompues. En conséquence, apparier les fragments à l’œil revient à résoudre un gigantesque puzzle dont la plupart de l’image-guide manque. Les outils informatiques traditionnels qui comparent des formes de courbes peinent car les motifs de rupture sont extrêmement complexes et fortement détériorés.

Apprendre à une machine à suivre les fissures

Plutôt que d’apprendre uniquement à partir des quelques paires de fragments que les archéologues ont déjà appariées à la main, l’approche WisePanda part de la physique de la rupture et de la dégradation du bambou. Les auteurs modélisent le bambou comme des fibres verticales serrées. Ils simulent comment des forces latérales font serpenter des fissures à travers ces fibres, faisceau par faisceau, en suivant des règles connues de la mécanique de la rupture. Puis ils imitent des siècles d’enfouissement en « érodant » sélectivement les aspérités et pointes exposées le long du bord fracturé, reproduisant l’action de l’humidité et des microbes sur les régions saillantes. En réglant cette machine virtuelle de rupture et d’érosion pour que ses bords synthétiques ressemblent statistiquement aux bords réels excavés, ils peuvent générer d’énormes quantités de paires de fragments appariés réalistes sans aucun étiquetage humain.

Comment fonctionne le moteur de classement intelligent

Ces paires simulées alimentent un réseau neuronal conçu pour dire si deux bords de fragment appartiennent ensemble. Chaque bord est réduit à un profil de courbe simple échantillonné en plusieurs dizaines de points, éliminant des détails distrayants comme la couleur ou la texture de surface. Le réseau apprend à partir de triplets d’exemples : une vraie paire qui doit être jugée similaire et une troisième courbe non liée qui doit être jugée très différente. Avec le temps, il construit une représentation interne de l’aspect des vraies lignes de rupture correspondantes. Lorsqu’on lui fournit un fragment réel, WisePanda compare son bord à tous les autres d’une collection et produit une liste classée des partenaires les plus prometteurs, transformant une recherche parmi des milliers de candidats en une courte liste gérable pour les experts humains.

Mettre la méthode à l’épreuve

L’équipe a évalué WisePanda sur des fragments numérisés provenant d’une tombe de la dynastie Han occidentale en Chine, où 118 paires de lattes avaient déjà été patiemment réassemblées par des archéologues. Dans des tests où le bon partenaire était dissimulé parmi des centaines ou plus d’un millier de candidats, WisePanda a systématiquement placé la vraie correspondance en tête de ses suggestions, surpassant plusieurs algorithmes classiques d’appariement de courbes et des modèles génératifs modernes. Même appliqué à des lattes en bois, dont les fibres et les motifs de dégradation diffèrent du bambou, le système a fourni des orientations utiles, indiquant que la stratégie basée sur la physique peut s’adapter à d’autres matériaux avec des ajustements supplémentaires.

De nouveaux outils pour sauver le patrimoine culturel

WisePanda montre comment la combinaison d’une compréhension physique et de l’apprentissage profond peut franchir un goulot d’étranglement clé dans le travail sur le patrimoine culturel : l’absence de grands ensembles d’entraînement annotés à la main. En simulant d’abord comment les artefacts se brisent et se dégradent, puis en entraînant un réseau sur ces données synthétiques mais réalistes, les auteurs proposent un outil pratique que les archéologues utilisent déjà pour réduire leur recherche de correspondances. En termes simples, le système ne remplace pas les experts ; il agit comme un assistant intelligent qui trie la botte de foin pour que les personnes trouvent plus vite les aiguilles. À mesure que des méthodes similaires guidées par la physique seront développées pour la céramique, le bois, le métal et d’autres matériaux, elles pourraient transformer la façon dont les musées et les chercheurs du monde entier reconstruisent les restes fragiles de notre passé commun.

Citation: Zhu, J., Zhao, Z., Lei, H. et al. Rejoining fragmented ancient bamboo slips with physics-driven deep learning. Nat Commun 17, 3550 (2026). https://doi.org/10.1038/s41467-026-70361-y

Mots-clés: lattes de bambou, patrimoine culturel, apprentissage profond, reconstruction de fragments, IA informée par la physique