Los arqueólogos enseñan a las computadoras a clasificar la cerámica antigua: ScienceDaily

0


Los arqueólogos de la Universidad del Norte de Arizona esperan que una nueva tecnología que ayudaron a ser pionera cambie la forma en que los científicos estudian las piezas rotas que dejaron las sociedades antiguas.

El equipo del Departamento de Antropología de la NAU ha logrado enseñar a las computadoras a realizar una tarea compleja con la que muchos científicos que estudian sociedades antiguas han soñado durante mucho tiempo: clasificar rápida y consistentemente miles de diseños de cerámica en múltiples categorías estilísticas. Utilizando una forma de aprendizaje automático conocida como Redes neuronales convolucionales (CNN), los arqueólogos han creado un método computarizado que emula aproximadamente los procesos de pensamiento de la mente humana al analizar la información visual.

«Ahora, mediante el uso de fotografías digitales de cerámica, las computadoras pueden lograr lo que antes implicaba cientos de horas de trabajo tedioso, minucioso y agotador por parte de los arqueólogos que ordenaron físicamente piezas de cerámica rota en grupos, en una fracción del tiempo y con mayor consistencia», dijo. Leszek Pawlowicz, profesor adjunto del Departamento de Antropología. Él y el profesor de antropología Chris Downum comenzaron a investigar la viabilidad de usar una computadora para clasificar con precisión piezas rotas de cerámica, conocidas como fragmentos, en tipos de cerámica conocidos en 2016. Los resultados de su investigación se informan en la edición de junio de la revista revisada por pares. publicación Revista de ciencia arqueológica.

«En muchos de los miles de sitios arqueológicos esparcidos por todo el suroeste de Estados Unidos, los arqueólogos a menudo encontrarán fragmentos de cerámica rotos conocidos como fragmentos. Muchos de estos fragmentos tendrán diseños que se pueden clasificar en categorías estilísticas previamente definidas, llamadas se han correlacionado tanto con el marco de tiempo general en el que se produjeron como con los lugares en los que se hicieron ”, dijo Downum. «Estos proporcionan a los arqueólogos información crítica sobre el tiempo en que se ocupó un sitio, el grupo cultural con el que estaba asociado y otros grupos con los que interactuaron».

La investigación se basó en descubrimientos recientes en el uso del aprendizaje automático para clasificar imágenes por tipo, particularmente CNN. Las CNN son ahora un pilar en el reconocimiento de imágenes por computadora, y se utilizan para todo, desde imágenes de rayos X para afecciones médicas e imágenes coincidentes en motores de búsqueda hasta automóviles sin conductor. Pawlowicz y Downum argumentaron que si las CNN se pueden usar para identificar cosas como razas de perros y productos que le pueden gustar a un consumidor, ¿por qué no aplicar este enfoque para analizar la cerámica antigua?

Hasta ahora, el proceso de reconocimiento de las características de diagnóstico del diseño cerámico ha sido difícil y lento. Puede llevar meses o años de formación dominar y aplicar correctamente las categorías de diseño a pequeños pedazos de un jarrón roto. Peor aún, el proceso era propenso a errores humanos porque los arqueólogos experimentados a menudo no están de acuerdo sobre qué tipo representa un fragmento y pueden tener dificultades para expresar su proceso de toma de decisiones en palabras. Un crítico anónimo del artículo llamó a esto «el sucio secreto de la arqueología del que nadie habla lo suficiente».

Decididos a crear un proceso más eficiente, Pawlowicz y Downum recopilaron miles de imágenes de fragmentos de cerámica con un conjunto específico de características físicas identificativas, conocido como Tusayan White Ware, común en gran parte del noreste de Arizona y los estados vecinos. Luego reclutaron a cuatro de los mejores expertos en cerámica del suroeste para identificar el tipo de diseño de cerámica para cada fragmento y crear un «conjunto de entrenamiento» de fragmentos del que la máquina pueda aprender. Finalmente, entrenaron a la máquina para aprender los tipos de cerámica enfocándose en muestras de cerámica con las que los arqueólogos estuvieron de acuerdo.

«Los resultados han sido notables», dijo Pawlowicz. «En un período de tiempo relativamente corto, la computadora se ha entrenado para identificar cerámica con una precisión comparable, y en ocasiones mejor, a la de los expertos humanos».

Para los cuatro arqueólogos con décadas de experiencia en la clasificación de decenas de miles de fragmentos reales, la máquina superó a dos de ellos y era comparable a los otros dos. Aún más impresionante, la máquina fue capaz de hacer aquello con lo que muchos arqueólogos pueden luchar: describir por qué tomó las decisiones de clasificación que tomó. Utilizando mapas de calor codificados por colores de los fragmentos, la máquina resaltó las características de diseño que utilizó para tomar sus decisiones de clasificación, proporcionando así un registro visual de sus «pensamientos».

«Un resultado interesante de este proceso ha sido la capacidad de la computadora para encontrar coincidencias casi exactas de fragmentos particulares de diseños cerámicos representados en fragmentos individuales», dijo Downum. «Utilizando medidas de similitud derivadas de CNN para los diseños, la máquina pudo buscar entre miles de imágenes para encontrar la contraparte más cercana a un diseño cerámico individual».

Pawlowicz y Downum creen que esta capacidad podría permitir a una computadora encontrar pedazos dispersos de un solo jarrón roto en una multitud de fragmentos similares de un antiguo basurero o realizar un análisis regional de similitudes y diferencias estilísticas entre los más antiguos. El enfoque también puede ser capaz de asociar mejor diseños de cerámica particulares de estructuras excavadas que han sido fechadas utilizando el método de anillos de árboles.

«Tengo muchas esperanzas de que los arqueólogos del suroeste adopten este enfoque y lo hagan rápidamente. Realmente tiene mucho sentido», dijo Stephen Plog, profesor emérito de arqueología en la Universidad de Virginia y autor del libro Stylistic Variation in Prehistoric Pottery. . «Hemos aprendido mucho del antiguo sistema, pero ha perdurado más allá de su utilidad y es hora de transformar la forma en que analizamos los proyectos cerámicos».

Los investigadores están explorando aplicaciones prácticas de la experiencia de clasificación de modelos de CNN y están trabajando en artículos de revistas adicionales para compartir la tecnología con otros arqueólogos. Esperan que este nuevo enfoque del análisis arqueológico de la cerámica se pueda aplicar a otros tipos de artefactos antiguos y que la arqueología pueda entrar en una nueva fase de clasificación de máquinas que resulte en una mayor eficiencia de los esfuerzos arqueológicos y métodos más efectivos de enseñar proyectos cerámicos a los nuevos. generaciones. de los estudiantes.

También podría gustarte
Deja una respuesta

Su dirección de correo electrónico no será publicada.

This website uses cookies to improve your experience. We'll assume you're ok with this, but you can opt-out if you wish. Accept Read More