מסגרת סיווג ענן נקודות residual mamba לשרידי לוחמי החמר התלת‑ממדיים

למה לפסלים השבורים עדיין יש משמעות

לוחמי החמר נמנים עם הממצאים הארכאולוגיים המזוהים ביותר בעולם, אך רבים מהחיילים החרוטיים בגודל טבעי שורדים כיום רק כחתיכות מפוזרות. להרכיב אותם חזרה זה כמו להתמודד עם פאזל תלת‑ממדי שבו חסרות אלפי חלקים ולעתים יש חתיכות מטעות. המחקר הזה מציג שיטה חדשה בבינה מלאכותית שמסתכלת ישירות על סריקות תלת‑ממד מפורטות של השברים כדי למיין אותם לפי חלק גוף, במטרה להאיץ שיחזור דיגיטלי ולעזור לשימורנים להבין כיצד הוצבו הפסלים המקוריים.

מחרסים מפוזרים לנקודות דיגיטליות

סריקות מודרניות יכולות ללכוד את צורת כל שבר כ"ענן נקודות" – מיליוני נקודות זעירות במרחב המשרטטות כל בליטה, עקומה וקצה שבירה על פני החמר. ענני הנקודות הגולמיים האלה שומרים על פירוט רב יותר מתמונות, אך הם גם קשים יותר לפרשן המחשב. גישות מוקדמות ניסו לפשט את הנתונים, או על‑ידי חיתוך לתמונות דו‑ממדיות או באמצעות אריזה לרשתות תלת‑ממדיות גסות. שני קיצורי הדרך הקלו על החישובים, אך מטשטשים חלק מהמבנה המשטחי העדין שחשוב כשמנסים להבחין בין שבר של זרוע לשבר של רגל.

ללמד מחשבים לקרוא פרטים עדינים

החוקרים תכננו מערכת חדשה בשם PointRM הפועלת ישירות על הנקודות התלת‑ממדיות המקוריות בלי לשטח או להגסיס אותן. תחילה השיטה מפצלת את ענן הנקודות של שבר להרבה שכונות קטנות באמצעות דגימה וחיפושי השכן הקרוב. בתוך כל שכונה, היא משלבת את הקואורדינטות המרחביות המדויקות של הנקודות עם ערכי "תכונה" הנלמדים המסכמים את הצורה המקומית. מודול מיוחד מוצמד ואז מאחד את חתיכות המידע הגאומטרי והמופעיות הללו, ומבליט קימורים וחריצים עדינים המסמנים, למשל, את קצה השרוול או את כיפוף הברך.

לתת למודל לראות את התמונה הגדולה

ברגע שנבנו קבוצות מקומיות אלה, PointRM עדיין צריך להחליט אילו תכונות הן החשובות ביותר בסך הכול. לשם כך היא מדרגת כל טלאי מקומי לפי חשיבות ואז מסדרת אותן לשתי רצפים מראות: אחד רצף מרמת חשיבות גבוהה לנמוכה, והשני בסדר הפוך. רצפים מסודרים אלה מוזנים למודול "residual Mamba" — סוג חדש של רשת לעיבוד רצפים שיכולה לעקוב אחרי יחסים לטווח ארוך בין טלאים רבים עם חישוב יחסית קל. על‑ידי סריקה של הטלאים גם בכיוון ההתקדמות וגם בכיוון ההפוך, המודל לומד כיצד אזורים מרוחקים של אותו שבר קשורים זה לזה – שלב מפתח לזיהוי חתיכות לא שלמות וחריגות.

הצבת השיטה למבחן

הצוות העריך את PointRM על מספר סטנדרטים תלת‑ממדיים, כולל אוספים של חפצים ושִׁמּוּשׁים יומיומיים וצורות עם חלקים מתויגים. בבדיקות אלה השיטה החדשה השוותה או עלתה על דיוק של מערכות מובילות מבוססות רשתות עצביות מסורתיות ודגמי Transformer, תוך שימוש בפחות פעולות. החוקרים לאחר מכן פנו למטרה העיקרית שלהם: סיווג שברי לוחמי החמר האמיתיים לארבע קטגוריות – זרועות, גוף, ראשים ורגליים – מתוך סריקות שעברו ניקוי ודגימה מחדש קפדניים. מתוך כמעט שתים‑עשרה אלף שברים, PointRM זיהתה נכון מעל 96 אחוזים, כשעקפה שיטות מיוחדות קודמות ונשארה יציבה גם כאשר נתוני הקלט הפכו לרועשים או דלילים יותר.

מה זה אומר לגבי החיילים העתיקים

עבור לא‑מומחים, המסקנה המרכזית היא שעבודה זו מעניקה לארכיאולוגים ולשימורנים "מנוע מיון" עוצמתי חדש לשברי תלת‑ממד. במקום להסתמך רק על בדיקה ידנית מייגעת, צוותים יכולים כעת להשתמש ב‑PointRM כדי לקבץ במהירות כמויות גדולות של חתיכות לפי חלק גוף סביר, לסנן שברים מטעות ולהכין קבוצות ממוקדות יותר להתאמה ושחזור מפורט. למרות שלשיטה יש מגבלות טכניות – כגון קושי בסריקות צפופות במיוחד או דלילות קיצונית – היא מהווה צעד חשוב לקראת צנרת שיחזור דיגיטלית מלאה שמכבדת את המקור השביר תוך כדי גילוי פרטים נוספים על אופן יצירת לוחמי החמר וכיצד עמדו פעם יחד בצבא התת‑קרקעי הנרחב של הקיסר.

ציטוט: 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

מילות מפתח: לוחמי החמר, ענני נקודות תלת‑ממדיים, מורשת תרבותית, סיווג שברים, למידה עמוקה