Wetenschap
Een "rivier" van Tusayan White Ware scherven, toont de verandering in letterontwerpen van de oudste links naar de jongste rechts. Deep learning zorgt voor nauwkeurige en herhaalbare categorisering van deze typen scherf. Krediet:Chris Downum
Archeologen van de Northern Arizona University hopen dat een nieuwe technologie die ze hebben helpen pionieren, de manier zal veranderen waarop wetenschappers de gebroken stukken bestuderen die zijn achtergelaten door oude samenlevingen.
Het team van de afdeling Antropologie van de NAU is erin geslaagd computers te leren een complexe taak uit te voeren waar veel wetenschappers die oude samenlevingen bestuderen al lang van hebben gedroomd:het snel en consequent sorteren van duizenden aardewerkontwerpen in meerdere stilistische categorieën. Door gebruik te maken van een vorm van machine learning die bekend staat als Convolutional Neural Networks (CNN's), de archeologen creëerden een geautomatiseerde methode die ruwweg de denkprocessen van de menselijke geest nabootst bij het analyseren van visuele informatie.
"Nutsvoorzieningen, met behulp van digitale foto's van aardewerk, computers kunnen bereiken wat vroeger honderden uren vervelend, nauwgezet en inspannend werk door archeologen die stukken gebroken aardewerk fysiek in groepen sorteerden, in een fractie van de tijd en met meer consistentie, " zei Leszek Pawlowicz, adjunct-faculteit in de afdeling Antropologie. Samen met antropologieprofessor Chris Downum begon hij de haalbaarheid te onderzoeken van het gebruik van een computer om gebroken aardewerkstukken nauwkeurig te classificeren. bekend als scherven, naar bekende aardewerksoorten in 2016. De resultaten van hun onderzoek worden gerapporteerd in het juni-nummer van de peer-reviewed publicatie Journal of Archeologische Wetenschap .
"Op veel van de duizenden archeologische vindplaatsen verspreid over het Amerikaanse zuidwesten, archeologen zullen vaak gebroken fragmenten van aardewerk vinden die bekend staan als scherven. Veel van deze scherven hebben ontwerpen die kunnen worden gesorteerd in eerder gedefinieerde stilistische categorieën, genaamd 'typen, ' die zijn gecorreleerd met zowel de algemene periode waarin ze zijn vervaardigd als de locaties waar ze zijn gemaakt, Downum zei. "Deze voorzien archeologen van kritische informatie over de tijd dat een site werd bezet, de culturele groep waarmee het was geassocieerd en andere groepen met wie ze omgingen."
Het onderzoek was gebaseerd op recente doorbraken in het gebruik van machine learning om afbeeldingen op type te classificeren, specifiek CNN's. CNN's zijn nu een steunpilaar in computerbeeldherkenning, wordt voor alles gebruikt, van röntgenfoto's voor medische aandoeningen en overeenkomende afbeeldingen in zoekmachines tot zelfrijdende auto's. Pawlowicz en Downum redeneerden dat als CNN's kunnen worden gebruikt om dingen als hondenrassen en producten te identificeren die een consument misschien leuk vindt, waarom zou je deze benadering niet toepassen op de analyse van oud aardewerk?
Tot nu, het proces van het herkennen van diagnostische ontwerpkenmerken op aardewerk was moeilijk en tijdrovend. Het kan maanden of jaren training vergen om de ontwerpcategorieën onder de knie te krijgen en correct toe te passen op kleine stukjes van een gebroken pot. Slechter, het proces was vatbaar voor menselijke fouten omdat deskundige archeologen het vaak oneens zijn over welk type wordt weergegeven door een scherf, en vinden het misschien moeilijk om hun besluitvormingsproces in woorden uit te drukken. Een anonieme peer reviewer van het artikel noemde dit 'het vuile geheim in de archeologie waar niemand genoeg over praat'.
Vastbesloten om een efficiënter proces te creëren, Pawlowicz en Downum verzamelden duizenden foto's van aardewerkfragmenten met een specifieke reeks identificerende fysieke kenmerken, bekend als Tusayan White Ware, gebruikelijk in een groot deel van het noordoosten van Arizona en de nabijgelegen staten. Vervolgens rekruteerden ze vier van de beste aardewerkexperts van het zuidwesten om het aardewerkontwerptype voor elke scherf te identificeren en een 'trainingsset' van scherven te creëren waarvan de machine kan leren. Eindelijk, ze trainden de machine om aardewerksoorten te leren door zich te concentreren op de aardewerkspecimens waarover de archeologen het eens waren.
"De resultaten waren opmerkelijk, " zei Pawlowicz. "In een relatief korte tijd, de computer heeft zichzelf getraind om aardewerk te identificeren met een nauwkeurigheid die vergelijkbaar is met, en soms beter dan de menselijke experts."
Voor de vier archeologen met tientallen jaren ervaring in het sorteren van tienduizenden echte potscherven, de machine presteerde beter dan twee van hen en was vergelijkbaar met de andere twee. Nog indrukwekkender, de machine was in staat om te doen waar veel archeologen moeite mee kunnen hebben:beschrijven waarom het de classificatiebeslissingen nam die het deed. Met behulp van kleurgecodeerde warmtekaarten van scherven, de machine wees op de ontwerpkenmerken die hij gebruikte om zijn classificatiebeslissingen te nemen, waardoor een visuele registratie van zijn 'gedachten' wordt verschaft.
"Een spannende spin-off van dit proces was het vermogen van de computer om bijna exacte overeenkomsten te vinden van bepaalde fragmenten van aardewerkontwerpen die op individuele scherven zijn weergegeven, Downum zei. "Door gebruik te maken van van CNN afgeleide overeenkomsten voor ontwerpen, de machine was in staat om door duizenden afbeeldingen te zoeken om de meest vergelijkbare tegenhanger van een individueel aardewerkontwerp te vinden."
Pawlowicz en Downum zijn van mening dat een computer met deze mogelijkheid verspreide stukjes van een enkele gebroken pot in een groot aantal vergelijkbare scherven van een oude vuilnisbelt kan vinden of een regiobrede analyse kan uitvoeren van stilistische overeenkomsten en verschillen tussen meerdere oude gemeenschappen. De benadering kan ook beter in staat zijn om bepaalde aardewerkontwerpen te associëren met opgegraven structuren die zijn gedateerd met behulp van de boomringmethode.
Hun onderzoek krijgt nu al veel lof.
"Ik hoop vurig dat zuidwestelijke archeologen deze benadering zullen aannemen en dit snel zullen doen. Het is gewoon zo logisch, " zei Stephen Plog, emeritus hoogleraar archeologie aan de Universiteit van Virginia en auteur van het boek 'Stylistic Variation In Prehistoric Ceramics'. "We hebben veel geleerd van het oude systeem, maar het heeft langer geduurd dan zijn nut, en het is tijd om de manier waarop we keramische ontwerpen analyseren te transformeren."
De onderzoekers onderzoeken praktische toepassingen van de classificatie-expertise van het CNN-model en werken aan aanvullende tijdschriftartikelen om de technologie met andere archeologen te delen. Ze hopen dat deze nieuwe benadering van archeologische analyse van aardewerk kan worden toegepast op andere soorten oude artefacten, en dat archeologie een nieuwe fase van machinale classificatie kan ingaan die resulteert in een grotere efficiëntie van archeologische inspanningen en effectievere methoden om aardewerkontwerpen aan nieuwe generaties studenten te onderwijzen.
Wetenschap © https://nl.scienceaq.com