用物理驱动的深度学习重新拼接破碎的古竹简

拼凑破碎的过去

在东亚，最早的许多书籍并非装订的纸卷，而是涂有墨迹的细长竹简。埋藏了两千多年后，许多脆弱的记录以一堆堆零碎的小片呈现在考古学家面前。人工判断哪些碎片相互连接，单次配对就可能让专家耗费数周时间。该研究提出了 WisePanda，一种新的物理引导人工智能系统，能更快速、更准确地帮助学者重组这些古代竹简，为获取其中的文字与思想开辟更快捷的途径。

古代竹简为何在今天仍重要

竹简保存了从法律典章和官方报告到哲学著作与日常历表等早期中国历史的各类内容。因竹材坚韧，许多简牍在地下保存时书写仍可辨认。然而地震、土壤压力、湿气和微生物使大量竹简破碎为数千个不规则的碎片。断缘扭曲且侵蚀，文字常常无法延伸到破裂边缘。因此，用肉眼配对碎片就像在拼一幅大规模的拼图，而大多数引导图像缺失。传统基于曲线形状比较的计算方法难以应对极其复杂且严重磨蚀的断裂模式。

教机器沿裂缝“行走”

WisePanda 的方法不是让计算机仅从考古学家已手工配对的少量碎片中学习，而是从竹简破裂与风化的物理过程入手。作者将竹材建模为紧密排列的竖向纤维，并模拟横向力如何沿着这些纤维、一束一束地产生蜿蜒的裂缝，遵循已知的断裂力学规律。随后，他们通过有选择地“侵蚀”破裂边缘上突出的凸起与尖点来模拟数百年的埋藏过程，仿效湿气和微生物如何啃蚀突出区域。通过调整这个虚拟断裂与风化机器，使其生成的合成边缘在统计上与实 excavated（出土）的边缘相似，研究者可以在无需人工标注的情况下生成大量真实感的配对碎片。

智能排序引擎如何工作

这些模拟配对输入到一个神经网络，该网络用于判断两条碎片边缘是否相配。每条边缘被简化为在数十个点上采样的曲线轮廓，剥离掉颜色或表面纹理等干扰细节。网络通过三元组示例进行学习：一个真实配对应当被评为相似，第三条无关曲线应被评为明显不同。随着训练进行，网络形成了对真实断裂线特征的内部判断。当给定一件真实碎片时，WisePanda 将其边缘与收藏中所有其他碎片进行比较，并生成一个最可能配对对象的排序列表，将数千候选项的搜索转化为专家可管理的短单子。

方法的实地检验

研究团队在中国一座西汉墓出土的数字化碎片上评估了 WisePanda，其中已有考古学家费时复原的 118 对竹简。测试中，把正确的配对隐藏在数百或上千个候选项中，WisePanda 始终将真实匹配排在建议的前列，优于多种传统曲线匹配算法和现代生成模型。即便将系统应用于纤维与风化模式不同的木简，该方法仍能提供有用的指引，表明基于物理的策略在经过进一步调优后能够适应其他材料。

保存文化遗产的新工具

WisePanda 展示了物理洞察与深度学习结合如何突破文化遗产工作中的一大瓶颈：缺乏大型人工标注的训练集。作者先模拟文物的破裂与风化，再用这些合成但现实感强的数据训练网络，从而提供了一个考古学家已在使用的实用工具，帮助他们缩小配对搜索范围。简言之，该系统并不取代专家；它充当智能助手，把大堆碎片分类整理，让人们更快找到“针”。随着针对陶瓷、木材、金属等材料的类似物理驱动方法的发展，它们可能改变全球博物馆与研究者重构我们共有过去脆弱遗存的方式。

引用: 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

关键词: 竹简, 文化遗产, 深度学习, 碎片重建, 物理启发的人工智能