En este proyecto desarrollamos algoritmos computacionales avanzados basados en inteligencia artificial, ello con la intención de apoyar la labor de conservación y restauración de material arqueológico. El foco de nuestra propuesta está en el diseño y desarrollo de redes neuronales que aprendan la estructura geométrica de objetos arqueológicos representados con formas 3D en el computador y que permita generar reparaciones plausibles a objetos dañados. A su vez, se busca involucrar la investigación de redes neuronales de tipo autoencoder variacionales, los que son operadores convolucionales de grafos, que nos permitirá sacarle mayor provecho a la información de entrada geométrica. Así, nuestra propuesta busca mejorar los tiempos que se usan para realizar conservación de material cultural. El producto final de nuestro trabajo es un software de visualización 3D y reparación 3D de objetos obtenidos desde un escáner 3D.

La herencia cultural es un aspecto importante en nuestra sociedad. Gracias al esfuerzo realizado por los arqueólogos y conservadores, podemos conocer diversos aspectos de nuestros antepasados, lo cual trae como consecuencia la creación y afirmación de una identidad nacional que enlaza la forma en cómo nuestros antepasados vivieron e hicieron sus manifestaciones culturales. Sin embargo, la labor de arqueólogos y conservadores es la de volver a la vida piezas que son encontradas en yacimientos antiguos, a través de un proceso tedioso de limpieza; así como la puesta en valor de objetos que han permanecido enterrados durante cientos o hasta miles de años. Es de esperarse que estos objetos muchas veces no estén en buen estado y, generalmente, están fracturados o hay partes del objeto que faltan. Así, una tarea que se realiza en la conservación es la de reparar objetos dañados de manera que pueda descubrirse características del objeto y realizar estudios relacionados a su forma, en relación a su ubicación geográfica y tiempo de fabricación. Esta labor de conservación es particularmente difícil, ya que los objetos son delicados y el tiempo que toma hacer una reparación puede extenderse a varias semanas.

Hay varios puntos a tener en cuenta al reparar una pieza arqueológica. El primero es la delicadeza de las piezas, pues, generalmente, se requiere de mucho tiempo de manipulación que trae como consecuencia riesgo en el deterioro de la pieza o su pérdida total en caso de un mal manejo. El segundo punto es el tiempo y esfuerzo que toma reparar o conservar una pieza, ya que, al ser la labor manual, es muchas veces una tarea de ensayo y error. El ciclo que se compone de hacer la maqueta de una hipótesis, probar la maqueta y refinar a maqueta puede tomar varios días y hasta semanas. En el entretanto, se emplean bastantes recursos humanos y mucho tiempo de dedicación. Por este motivo, el proceso de reparación y conservación es poco ágil y son muy pocas piezas las que pueden recuperarse en un lapso de tiempo establecido. Sin embargo, es común que en los museos la cantidad de piezas a recuperar sea bastante alto, pero no se puede reparar y conservar la mayoría de ellas por falta de tiempo y recursos humanos.

De este modo, planteamos hacer uso de tecnologías computacionales para facilitar la tarea de conservación de objetos arqueológicos mediante el uso de algoritmos de inteligencia artificial que permitirán analizar la geometría de un objeto y generar reconstrucciones plausibles en cuestión de minutos. En la actualidad, existen esfuerzos por mejorar todo este proceso con el uso de herramientas computacionales, pues un computador puede analizar la forma de un objeto a reparar y generar objetos reparados virtuales que pueden ser impresos en 3D para su uso en posterior conservación. Sin embargo, la mayoría de métodos geométricos propuestos tienen sus limitaciones en cuanto al tipo de objeto a manipular y en cuanto a las características que pueden extraer desde el objeto analizado. Estas herramientas están siendo usadas en grandes museos a nivel mundial, tales como el Museo Británico (proyecto GRAVITATE) y el Museo de la Acrópolis (proyecto PRESIOUS).

Hasta ahora no existen esfuerzos que traten de utilizar los últimos avances en inteligencia artificial y máquinas de aprendizaje para solucionar el problema de la reparación y conservación de piezas arqueológicas, por lo que creemos que tenemos una gran oportunidad de producir y exponer herramientas tecnológicas modernas para su aplicación en la arqueología, no sólo para el Perú, sino a nivel mundial.

A nivel mundial existe un gran interés por el desarrollo de herramientas computacionales para apoyar el trabajo en arqueología y en conservación. Por ejemplo, el Museo Británico está tratando de adoptar tecnología de escaneo 3D y análisis computacional para realizar tareas de conservación avanzadas como parte del proyecto GRAVITATE (http://gravitate-project.eu/), un proyecto financiado en el marco del programa Horizon 2020 en la Unión Europea. Así mismo, en el proyecto PRESIOUS (http://presious.eu/), en el marco del programa FP7 de la Unión Europea, instituciones asociadas de toda Europa hicieron un trabajo importante, de la mano con el Museo de la Acrópolis en Atenas, para desarrollar herramientas computacionales de análisis geométrico que mejoren las tareas de conservación de piezas arqueológicas.

En el Perú, tenemos un potencial enorme en cuanto a material arqueológico y que es de interés mundial, por lo que planteamos solucionar un problema de interés no solo académico, sino también en el ámbito de las humanidades. El problema de conservación está entre una de las prioridades de entidades gubernamentales y fundaciones a nivel mundial, por lo que creemos que nuestros aportes en esta área suponen un avance significativo. Por otro lado, nuestra contribución es un prototipo de software que expondrá el principal resultado de nuestra investigación. Esto traería como consecuencia que se incremente el interés de la comunidad internacional por las herramientas de alta tecnología que podemos crear en el país y, además, software de este tipo podría ser de interés de esfuerzos internacionales como CultLab3D (http://www.cultlab3d.de/) o de instituciones de investigación y difusión como National Geographic.

Modalidad de proyecto: Proyecto de investigación avanzado

Los proyectos deben ser presentados de manera asociativa (con una o más entidades asociadas).

La conformación mínima es la siguiente:

• Un investigador principal
• Un coinvestigador
• Un tesista de posgrado
• Un gestor tecnológico
• Un coordinador administrativo

Tipo de proyecto: Investigación aplicada

Subsector: Ecoturismo, restauración e industrias creativas

Sector: Estratégico

Lugar de ejecución del proyecto: Lima, Arequipa

Fecha de inicio:  01/01/2019

Fecha de cierre:  01/01/2021

Plazo de ejecución (meses): 24

Objetivo principal

Nuestro objetivo principal es diseñar una arquitectura de red neuronal artificial, con aprendizaje profundo, que tenga como entrada la representación 3D de un objeto arqueológico dañado y que genere como salida la representación 3D del objeto reparado.

La investigación se concentrará en el diseño de una arquitectura de red neuronal con aprendizaje profundo que manipule de manera directa una representación del modelo tridimensional, mientras se mantienen las características geométricas del objeto. Una representación que cumple con esta característica es la representación de malla triangular 3D, la cual puede ser vista como un grafo. Así, creemos que esta representación mantiene mejor la geometría de los objetos que otras, como la volumétrica y las nubes de puntos. Sin embargo, para hacer un uso efectivo de representación de las mallas triangulares, es necesario encontrar operadores convolucionales adecuados. Para ello, se estudiará la propuesta reciente de Litany y otros (2018), que permitirá aprender la geometría estructural de objetos arqueológicos y modelar un autoencoder que genere reconstrucciones de objetos dañados.

Objetivo específico 1

Construir un conjunto de datos sintético usando un conjunto de datos disponibles en la web y recolectar datos locales a través del escaneo 3D de piezas arqueológicas dañadas reales

Objetivo específico 2

Diseñar e implementar una arquitectura de red neuronal y algoritmos de aprendizaje profundo para la reparación de objetos 3D dañados

Objetivo específico 3

Validar y probar el modelo entrenado sobre los datos locales obtenidos

Objetivo específico 4

Implementar un prototipo de software de escritorio con componentes de visualización 3D y reparación de objetos arqueológicos dañados

Institución responsable del proyecto

Pontificia Universidad Católica del Perú

RUC: 20155945860

Tipo de entidad: Universidades que se encuentren licenciadas o en proceso de licenciamiento por la SUNEDU

Régimen: Privado

Tipo de organización: Sin fines de lucro

Departamento: Lima

Provincia: Lima

Distrito: San Miguel

Dependencias: Laboratorio de Inteligencia Artificial

Institución asociada

Universidad La Salle

RUC: 20456344004

Tipo de entidad: Universidades que se encuentren licenciadas o en proceso de licenciamiento por la SUNEDU

Régimen: Privado

País: Perú

Departamento: Arequipa

Provincia: Arequipa

Distrito: Arequipa

Investigador principal

Nombres: Iván Anselmo

Apellido paterno: Sipirán

Apellido materno: Mendoza

Grado académico: Doctorado

Nombre del grado académico: Ingeniero Informático

Entidad: Pontificia Universidad Católica del Perú

Dependencia: Laboratorio de Inteligencia Artificial

Coinvestigadores

Nombres: Cristian José

Apellido paterno: López

Apellido materno: Del Álamo

Grado académico: Doctorado

Entidad: Universidad La Salle

Dependencia: Grupo de Investigación IPRODAM

Nombres: Analí Jesús

Apellido paterno: Alfaro

Apellido materno: Alfaro

Grado académico: Magister

Entidad: Pontificia Universidad Católica del Perú

Dependencia: Laboratorio de Inteligencia Artificial

Tesistas

Nombres: Tesista no identificado 4

Apellido paterno: –

Apellido materno: –

Tipo de tesis: Maestría

Entidad: Pontificia Universidad Católica del Perú

Nombres: Tesista no identificado 4

Apellido paterno: –

Apellido materno: –

Tipo de tesis: Licenciatura

Entidad: Universidad La Salle

Nombres: Tesista no identificado 4

Apellido paterno: –

Apellido materno: –

Tipo de tesis: Licenciatura

Entidad: Universidad La Salle

Gestor tecnológico

Nombres Gestor tecnológico no identificado 1

Apellido paterno: –

Apellido materno: –

Entidad: Pontificia Universidad Católica del Perú

Coordinador administrativo

Nombres: Kathina

Apellido paterno: Paredes

Apellido materno: Matos

Entidad: Pontificia Universidad Católica del Perú

Rubros financiables

• Recursos humanos (hasta 50% del monto financiado)

1. Incentivo monetario para el investigador principal y coinvestigadores: no debe sobrepasar el máximo de S/ 2,000 mensuales por investigador.
2. Pago a los tesistas: no debe sobrepasar el máximo de S/ 1,500 mensuales por tesista.
3. Pago al personal técnico o asistente de investigación: no debe sobrepasar el máximo de S/ 1,000 mensuales por técnico.
4. Honorarios o incentivos para un gestor tecnológico: no debe de sobrepasar el máximo de S/. 1,500 mensuales.

• Equipos y bienes duraderos (hasta 20% del monto financiado)

Corresponde a la adquisición de equipos menores para el proyecto de investigación.

• Materiales e insumos

1. Materiales, insumos, reactivos, accesorios, componentes electrónicos o mecánicos, bienes no inventariables.
2. Material bibliográfico, tales como manuales, bases de datos, libros especializados, otros, y/o suscripciones a redes de información (en físico o electrónico).
3. Software especializado para el desarrollo de los proyectos de investigación.

• Viajes

Corresponde a los gastos de viajes relacionados a actividades propias del proyecto de investigación.

Los gastos que aplican para este rubro son los siguientes:

1. Pasajes: terrestres, aéreos, nacionales e internacionales, en clase económica.
2. Viáticos: comprenden los gastos por concepto de alimentación, hospedaje y movilidad (hacia y desde el lugar de embarque), así como el desplazamiento en el lugar donde se realizan las actividades. El concepto de viáticos es aplicable para estancias cuya duración sea menor a los quince (15) días calendario, considerando los topes máximos diarios detallados en el Anexo 2.
3. Manutención: comprenden los gastos de alojamiento, alimentación y movilidad local durante su permanencia en el lugar sede del objeto del beneficio otorgado, o desplazamientos relacionados con el mismo. El concepto de manutención es aplicable siempre que se trate de una estancia cuya duración sea mayor o igual a quince (15) días calendario, considerando los topes máximos diarios detallados en la convocatoria.
4. Seguro de viaje: el seguro es de carácter obligatorio y su valor debe estar de acuerdo al precio de mercado. La cobertura típicamente incluye gastos médicos de emergencia, muerte accidental, invalidez e imprevistos logísticos durante el viaje (retraso de vuelos, demora o pérdida de equipaje, robos, etc.). El precio del seguro puede variar en función a la edad, duración del viaje y el destino. Se puede financiar hasta un máximo de S/ 2,000.

• Servicios de no consultoría.

Corresponde a los gastos de contratación de personas naturales o jurídicas para la ejecución de actividades de índole técnica especializada, consideradas como críticas para lograr el buen resultado del proyecto de investigación: servicios de laboratorio, colección de datos, procesamiento de muestras, análisis y diseño.

• Otros servicios

Corresponde a los gastos de contratación de personas naturales o jurídicas para la ejecución de actividades complementarias del proyecto de investigación, tales como:

1. Actividades de difusión:

1. Gastos de organización de taller de cierre del proyecto.
2. Costo de publicación de artículos en revistas indizadas.

• Costo de inscripción para participar en eventos o para discutir los resultados con personal interesado o calificado.

1. Actividades complementarias de la investigación:

1. Gastos de importación y desaduanaje de materiales, insumos o equipos relacionados al proyecto de investigación que se adquieran en el extranjero.
2. Gastos relacionados a la obtención del título o grado.

• Gastos relacionados a la solicitud de patentes.

1. Gastos de mantenimiento correctivo para los equipos adquiridos u otro equipo de laboratorio que deba usarse en el proyecto.

• Gastos de gestión (hasta 10% del monto financiado)

Corresponde al incentivo monetario para el coordinador administrativo, útiles de oficina y servicios de imprenta.