Vasijas incaicas, adornos coloniales, reliquias de la antigua Grecia o del Imperio Romano quebradas o destruidas por el paso de las décadas y los siglos ahora podrían volver a su estado original. Ello gracias a una reciente investigación en la cual participó activamente Ariana Villegas, alumna de la carrera de Ciencia de la Computación de la Universidad de Ingeniería y Tecnología (UTEC).
Ella, junto al profesor Cristian López del Álamo (UTEC) y el profesor Iván Sipirán de la Universidad de Chile, desarrollaron el ‘paper’ denominado ‘MatchMakerNet: Enabling Fragment Matching for Cultural Heritage Analysis’ en el cual explican cómo es posible reconstruir piezas fracturadas y restos fósiles a la forma inicial que tuvieron.
“Automatizar el reensamblaje de objetos fragmentados es una tarea compleja en el ámbito del patrimonio cultural, paleontología y medicina. Para abordar esta brecha hemos diseñado una arquitectura de red que permitirá realizar el ‘match’ perfecto con todas las piezas para su reconstrucción”, explica Ariana Villegas de UTEC.
Al inicio se utilizó una red neuronal conocida como DGCNN. Sin embargo, debido a la complejidad de la red y a la gran cantidad de datos, el tiempo de entrenamiento era prohibitivo lo cual implicaba gasto en recursos computacionales; además la red no tenía la capacidad para generalizar bien con nuevos datos. Ante este problema, el equipo de investigadores propuso modificar la red Neuronal DGCNN haciéndola más eficiente para que fuera más pequeña y rápida. A esta variante la denominaron ‘MatchMakerNet’. “Imagina que la red es como un cerebro que evalúa si dos piezas coinciden o no. Luego es como si tomara dos piezas de una taza fracturada y decidiera si encajan correctamente o no. Si las piezas coinciden, el sistema marca ‘1’, y si no, un ‘0’.”, detalla el profesor López del Álamo.
Este nuevo modelo de red neuronal resultó más efectivo que las versiones previas logrando una inferencia más rápida gracias a su tamaño reducido. Al ser más pequeña, facilitó que el entrenamiento sea más rápido, que se necesite menos memoria RAM y, sobre todo, mejoró el rendimiento, logrando que el modelo entrenase en solo uno o dos días en lugar de seis.
Para las pruebas del modelo se usaron dos bases de datos distintas: ‘Everyday and Puzzles 3D’ y ‘Breaking Bad’. La implementación del algoritmo se realizó utilizando módulos de la librería PyTorch y para el entrenamiento se usó el servidor Khipu de la UTEC.
La segunda fase del proyecto implica la reconstrucción total del objeto, utilizando la información precisa obtenida en la primera etapa.
