Moderne analyse af klippekunst:Maskinlæring åbner nye døre i arkæologien

Rock art af menneskelige figurer skabt gennem tusinder af år i Australiens Arnhem Land er blevet underkastet en transformativ maskinlæringsundersøgelse for at analysere stilændringer gennem årene.

Undersøgelsen har testet forskellige stilarter mærket 'Northern Running figurer', 'Dynamiske figurer', 'Post Dynamic figures' og 'Simple figures with Boomerangs' for at forstå, hvordan disse stilarter relaterer til hinanden.

Arbejder med Mimal og Marrku traditionelle ejere af Wilton River-området i Australiens Top End, Sydaustralske forskere ledet af Flinders University arkæolog Dr. Daryl Wesley har kigget nærmere på kunsten i denne region.

Flinders-forsker Jarrad Kowlessar og holdet brugte maskinlæring til at analysere billeder af klippekunst indsamlet under undersøgelser i Marrku-landet i 2018 og 2019.

Medforfattere inkluderer Dudley Lawrence og Abraham Weson og andre fra Mimal Land Management Aboriginal Corporation, Alfred Nayinggul fra Njanjma Aboriginal Corporation, Dr. Ian Moffat fra Flinders og University of Adelaide-forsker James Keal.

Den rekonstruerede klippekunst kronologi, netop offentliggjort i Australian Archaeology, bruger eksisterende datasæt med mere end 14 millioner forskellige fotos af en lang række ting fra dyr såsom hunde, katte, firben og insekter til genstande som stole, borde og kopper.

"I alt så computeren mere end 1000 forskellige typer objekter og lærte at kende forskel på dem bare ved at se på billeder af dem, Dr. Wesley forklarer.

"Den vigtige færdighed denne computer udviklede var en matematisk model, der har evnen til at fortælle, hvor ens to forskellige billeder er til hinanden."

Derefter blev den matematiske modellering anvendt på billederne indsamlet i det nordlige Australien.

"Denne tilgang giver os mulighed for at bruge computerprogrammet til at vise, hvor unik klippekunsten er i Wilton-floden, og hvordan den relaterer sig til klippekunsten i andre dele af Arnhem Land, " siger Dr. Wesley.

"Vi kan bruge dette til at hjælpe med at vise, hvordan rockkunststile deles af traditionelle ejere i Arnhem Land, og som er unikke for hver gruppe gennem fortiden."

Maskinlæring giver en computer mulighed for at 'lære' forskellige ting om information, som det kan tage et menneske mange år at se igennem og lære af, forklarer en Flinders University Ph.D. kandidat i arkæologi Jarrad Kowlessar, der har været banebrydende for maskinlæringstilgangen til rock art analyse.

"Et forbløffende resultat er, at maskinlæringstilgangen ordnede stilarterne i samme kronologi, som arkæologer har bestilt dem i ved at inspicere, som dukker op ovenpå. Dette viser, at lighed og tid er tæt forbundet i klippekunsten i Arnhem Land og det menneskelige figurer, der blev trukket tættere på i tid, lignede hinanden mere end dem, der var trukket med lang tid fra hinanden, " han siger.

"For eksempel har maskinlæringsalgoritmen plottet Northern Running-figurer og Dynamic-figurer meget tæt på hinanden på den graf, den producerer. Dette viser, at disse stilarter, som vi ved er tættere på hinanden i alder, også er tættere på hinanden i udseende, hvilket kan være en meget svær ting at bemærke uden en tilgang som denne".

Artiklen påpeger, at den nye metode fjernede en stor grad af individuel menneskelig fortolkning og mulig bias ved at bruge en maskinlæringstilgang kaldet 'transfer learning'.

Dette gjorde det muligt for computeren at forstå, hvordan hver stil relateret til hinanden direkte - uafhængigt af de involverede forskere.

Forskere er begejstrede for, at denne metodik bryder ny jord for en stor mængde arkæologisk forskning for at forstå alle mulige forskellige menneskelige materielle kulturer på en anden måde.