تورنتو – باستان شناسان دانشگاه آریزونا شمالی (NAU) به کامپیوترها آموزش می دهند تا قطعات سفال را بر اساس طرح و سبک مرتب کنند تا به طبقه بندی و بازسازی کمک کنند.
تیمی از دپارتمان انسان شناسی در NAU از نوعی یادگیری ماشینی معروف به شبکه های عصبی Convolutional (CNN) برای ایجاد روشی رایانه ای استفاده می کند که از فرایندهای فکری ذهن انسان در هنگام تجزیه و تحلیل اطلاعات بصری برای مرتب سازی سریع و مداوم هزاران طرح تقلید می کند. سرامیک در دسته ها.
CNN اغلب در فرآیندهای تشخیص تصویر رایانه ای مانند مقایسه اشعه ایکس با شرایط پزشکی ، تطبیق تصاویر در موتورهای جستجو و اتومبیل های خودران استفاده می شود.
“اکنون ، با استفاده از عکس های دیجیتالی سفال ، رایانه ها می توانند آنچه را که قبلاً شامل صدها ساعت کار خسته کننده ، طاقت فرسا و طاقت فرسای باستان شناسان بود ، به صورت دسته بندی فیزیکی قطعات سفال شکسته را به چند گروه از زمان و با قوام بیشتر انجام دهند.” نویسنده Leszek Pavlovic در بیانیه ای.
نتایج مطالعه باید در شماره ژوئن مجله علوم باستان شناسی منتشر شود.
پیش از این ، مرتب سازی بقایای سفال (به اصطلاح گله) که در اماکن باستانی یافت می شد ، طاقت فرسا ، خسته کننده و متکی به متخصصان بود. در این بیانیه آمده است که این روند همچنین مستعد خطای انسانی است ، زیرا ممکن است برخی از کارشناسان در مورد دسته بندی گله ها اختلاف نظر داشته باشند و هر متخصص روش های مختلفی برای طبقه بندی مصنوعات دارد.
در بسیاری از هزاران مکان باستانی پراکنده در جنوب غربی آمریکا ، باستان شناسان اغلب قطعات شکسته سفالی را پیدا می کنند که به عنوان گله شناخته می شود. بسیاری از این گله ها دارای طرح هایی هستند که می توان آنها را به دسته های سبک از پیش تعریف شده ای تقسیم کرد که “انواع” نامیده می شوند و با هر دو ارتباط دارند کریس دانوم ، یکی از نویسندگان این مطالعه ، در بیانیه ای گفت: “کل زمان تولید و مکانهای تولید آنها”. و گروههای دیگری که با آنها تعامل داشتند. “
محققان NAU مصمم بودند که فرآیند کارآمدتری را بیابند و شروع به جمع آوری هزاران عکس از قطعات سفالی کردند که دارای ویژگی های خاصی هستند که به نام سفال سفید توسائی معروف است ، که در بسیاری از ایالت های آریزونا و سایر ایالت ها یافت می شود. محققان سپس از متخصصان سفالگری خواستند که نوع طراحی را برای هر دسته از عکسها در عکسها مرتب کنند و “کیتهای یادگیری” را ایجاد کنند تا دستگاه بتواند یاد بگیرد.
سپس محققان با استفاده از نمونه های سفال مورد توافق باستان شناسان ، آموزش رایانه را برای شناسایی انواع دیگر سفال ها آغاز کردند.
پاولوویچ گفت: “نتایج قابل توجه بود.” “در مدت زمان نسبتاً کوتاهی ، کامپیوتر آموزش داده شده است تا سرامیک ها را با دقتی قابل قیاس با متخصصان بشر و گاهی بهتر از آنها شناسایی کند.”
محققان امیدوارند که این فرایند جدید بتواند به یک رایانه اجازه دهد تا قطعات پراکنده گلدان شکسته در توده ای از گله های مشابه از یک سایت باستان شناسی را تشخیص دهد و یا سبک های سفال را در بسیاری از جوامع باستانی در سراسر منطقه تجزیه و تحلیل کند.
تحقیقات بیشتر برای بررسی اینکه آیا یادگیری ماشین به کمک CNN می تواند برای انواع دیگر آثار باستانی مورد استفاده قرار گیرد تا باستان شناسی مدرن کارآمدتر و م effectiveثرتر باشد ، برنامه ریزی شده است.
