Een internationaal onderzoeksteam meldt dat een gesystematiseerde AI-analyse van kunstwerken die in het afgelopen millennium zijn geproduceerd onthullende informatie oplevert over historische evolutionaire artistieke trends. Aanvullend, de resultaten sluiten goed aan bij canonieke concepten over stijlen en periodes van de kunstgeschiedenis.

Kunstanalyse is meestal vergelijkend, en is van oudsher uitgevoerd door individuele onderzoekers, wat beperkingen oplegt aan de schaal van studies. Het is onpraktisch voor een enkele geleerde om meer dan een handvol schilderijen tegelijk te vergelijken. Echter, in de afgelopen decennia, een enorme hoeveelheid historisch kunstwerk is gedigitaliseerd en vrij beschikbaar gesteld, kwantitatieve benaderingen van kunstanalyse mogelijk maken die voorheen onhaalbaar waren, zo niet onmogelijk.

In hun nieuwe studie gepubliceerd door de Proceedings van de National Academy of Sciences , analyseerden de onderzoekers een dataset van 137, 364 stukken beeldende kunst, meestal schilderijen, gehost door de online encyclopedie WikiArt. De site bevat kunstwerken van meer dan 2, 000 artiesten in meer dan 100 stijlen.

Elk bestand werd geconverteerd naar een matrixweergave. Door machine learning-algoritmen toe te passen, analyseerden de onderzoekers de relaties tussen aangrenzende pixels, en berekende twee maten van complexiteit:de genormaliseerde permutatie-entropie H, en de statistische complexiteit C.

De H-waarde kwantificeert de mate van wanorde in de pixelrangschikking van een afbeelding. Bijvoorbeeld, een waarde dicht bij nul geeft een regelmatig beeld aan, zoals die van minimalistische schilders. Een waarde in de buurt van één geeft pixels aan die onregelmatig of meer ongeordend lijken, zoals de drip-schilderijen van Jackson Pollock.

De statistische complexiteit C is een maat voor de structurele complexiteit van het werk. Schilderijen die extremen van wanorde of orde in pixelrangschikking vertonen, leveren nul, als zodanig werken hebben een lage structurele complexiteit. De waarde is positief wanneer het systeem complexere ruimtelijke patronen detecteert.

Het combineren van deze twee maatregelen levert een complexiteits-entropievlak op, waarop de auteurs wijzen, is een techniek die op veel andere gebieden is toegepast. Niet alleen konden deze metingen de stijl en periode van de schilderijen binnen een zekere foutmarge voorspellen; hun analyse onthulde een duidelijk traject van kunst gedurende 1000 jaar met overgangen in het complexiteit-entropievlak die overeenkomen met de canonieke perioden in de kunstliteratuur.

specifiek, de onderzoekers konden duidelijk duidelijke veranderingen in entropie en complexiteit zien die overeenkomen met de perioden voor en na de moderne kunst, en de overgang van moderne kunst naar postmoderne kunst. Ze plotten deze overgangen op een tijdlijn, en melden dat "het niet moeilijk is voor te stellen dat de overgang van modern naar postmodern werd aangedreven door het einde van de Tweede Wereldoorlog, de gebeurtenis die gewoonlijk het begin van het postmodernisme in geschiedenisboeken markeert."

De onderzoekers wijzen erop dat, omdat ze hun analyse beperkten tot deze twee maten van complexiteit, het is niet mogelijk om de informatieve rijkdom die waarschijnlijk in kunst wordt gecodeerd, volledig te vatten. "Echter, " zij schrijven, "onze resultaten tonen niettemin aan dat eenvoudige, op fysica geïnspireerde metrieken kunnen worden verbonden met concepten die zijn voorgesteld door kunsthistorici en, belangrijker, dat deze maatregelen wel relevante informatie over kunstwerken bevatten, hun stijl, en evolutie."

© 2018 Tech Xplore