Arkæologer lærer computere at sortere gammelt keramik

Arkæologer ved Northern Arizona University håber, at en ny teknologi, som de hjalp pioneren, vil ændre den måde, videnskabsmænd studerer de ødelagte stykker efterladt af gamle samfund.

Holdet fra NAU's Institut for Antropologi er lykkedes med at lære computere at udføre en kompleks opgave, som mange forskere, der studerer gamle samfund længe har drømt om:hurtigt og konsekvent at sortere tusindvis af keramikdesigns i flere stilistiske kategorier. Ved at bruge en form for maskinlæring kendt som Convolutional Neural Networks (CNN'er), arkæologerne skabte en computeriseret metode, der groft efterligner det menneskelige sinds tankeprocesser ved at analysere visuel information.

"Nu, ved hjælp af digitale fotografier af keramik, computere kan udrette, hvad der plejede at involvere hundredvis af timers kedelige, omhyggeligt og anstrengende arbejde af arkæologer, der fysisk sorterede stykker af knust keramik i grupper, på en brøkdel af tiden og med større konsistens, " sagde Leszek Pawlowicz, adjungeret fakultet ved Institut for Antropologi. Han og antropologiprofessor Chris Downum begyndte at undersøge muligheden for at bruge en computer til nøjagtigt at klassificere ødelagte keramikstykker, kendt som skår, ind i kendte keramiktyper i 2016. Resultaterne af deres forskning er rapporteret i juni-udgaven af ​​den peer-reviewede publikation Tidsskrift for arkæologisk videnskab .

"På mange af de tusindvis af arkæologiske steder spredt ud over det amerikanske sydvest, arkæologer vil ofte finde knækkede fragmenter af keramik kendt som skår. Mange af disse skår vil have design, der kan sorteres i tidligere definerede stilistiske kategorier, kaldet 'typer, ', der er blevet korreleret med både den generelle tidsperiode, de blev fremstillet, og de steder, hvor de blev fremstillet, " sagde Downum. "Disse giver arkæologer kritiske oplysninger om den tid, et sted var besat, den kulturelle gruppe, som den var forbundet med, og andre grupper, som de interagerede med."

Forskningen var baseret på nylige gennembrud i brugen af ​​maskinlæring til at klassificere billeder efter type, specifikt CNN'er. CNN'er er nu en grundpille i computer billedgenkendelse, bliver brugt til alt fra røntgenbilleder af medicinske tilstande og matchende billeder i søgemaskiner til selvkørende biler. Pawlowicz og Downum begrundede, at hvis CNN'er kan bruges til at identificere ting som hunderacer og produkter, som en forbruger kunne lide, hvorfor ikke anvende denne tilgang til analysen af ​​gammelt keramik?

Indtil nu, processen med at genkende diagnostiske designtræk på keramik har været vanskelig og tidskrævende. Det kan indebære måneder eller års træning for at mestre og korrekt anvende designkategorierne på små stykker af en ødelagt gryde. Værre, processen var tilbøjelig til menneskelige fejl, fordi ekspert arkæologer ofte er uenige om, hvilken type der er repræsenteret af et skår, og kan have svært ved at udtrykke deres beslutningsproces i ord. En anonym fagfællebedømmer af artiklen kaldte dette "den beskidte hemmelighed i arkæologi, som ingen taler nok om."

Fast besluttet på at skabe en mere effektiv proces, Pawlowicz og Downum samlede tusindvis af billeder af keramikfragmenter med et specifikt sæt identificerende fysiske egenskaber, kendt som Tusayan White Ware, almindelig i store dele af det nordøstlige Arizona og nærliggende stater. De rekrutterede derefter fire af Southwests bedste keramikeksperter til at identificere keramikdesigntypen for hvert skær og skabe et 'træningssæt' af skær, som maskinen kan lære af. Endelig, de trænede maskinen til at lære keramiktyper ved at fokusere på de keramikprøver, arkæologerne var enige om.

"Resultaterne var bemærkelsesværdige, " sagde Pawlowicz. "På relativt kort tid, computeren trænede sig selv til at identificere keramik med en nøjagtighed, der kan sammenlignes med, og nogle gange bedre end, menneskelige eksperter."

For de fire arkæologer med årtiers erfaring med at sortere titusindvis af egentlige potteskår, maskinen klarede sig bedre end to af dem og var sammenlignelig med de to andre. Endnu mere imponerende, maskinen var i stand til at gøre det, som mange arkæologer kan have svært ved:At beskrive, hvorfor den traf de klassificeringsbeslutninger, som den gjorde. Brug af farvekodede varmekort over skår, maskinen påpegede de designfunktioner, den brugte til at træffe sine klassificeringsbeslutninger, derved give en visuel registrering af dens "tanker".

"Et spændende resultat af denne proces var computerens evne til at finde næsten nøjagtige matcher af bestemte udsnit af keramikdesign repræsenteret på individuelle skår, " sagde Downum. "Ved at bruge CNN-afledte lighedsmål for design, maskinen var i stand til at søge gennem tusindvis af billeder for at finde den mest lignende pendant til et individuelt keramikdesign."

Pawlowicz og Downum mener, at denne evne kunne gøre det muligt for en computer at finde spredte stykker af en enkelt knust gryde i et væld af lignende skår fra en gammel affaldsplads eller udføre en regionsdækkende analyse af stilistiske ligheder og forskelle på tværs af flere gamle samfund. Fremgangsmåden kan også være bedre i stand til at forbinde bestemte keramikdesigns fra udgravede strukturer, som er blevet dateret ved hjælp af træringmetoden.

Deres forskning får allerede stor ros.

"Jeg håber inderligt, at sydvestlige arkæologer vil tage denne tilgang til sig og gøre det hurtigt. Det giver bare så meget mening, " sagde Stephen Plog, emeritus professor i arkæologi ved University of Virginia og forfatter til bogen "Stylistic Variation In Prehistoric Ceramics". "Vi lærte en masse af det gamle system, men det har varet ud over dets brugbarhed, og det er tid til at transformere, hvordan vi analyserer keramiske designs."

Forskerne udforsker praktiske anvendelser af CNN-modellens klassifikationsekspertise og arbejder på yderligere tidsskriftsartikler for at dele teknologien med andre arkæologer. De håber, at denne nye tilgang til arkæologisk analyse af keramik kan anvendes på andre typer af antikke artefakter, og at arkæologi kan gå ind i en ny fase af maskinklassificering, der resulterer i større effektivitet af arkæologiske bestræbelser og mere effektive metoder til undervisning af keramikdesign til nye generationer af studerende.