Wie maschinelles Lernen unsere Sicht auf die Vergangenheit verändert

Maschinelles Lernen, eine Teilmenge künstlicher Intelligenz, ist für Historiker und Archäologen zu einem immer wichtigeren Werkzeug geworden. Durch die Verarbeitung enormer Datensätze, die weit über die menschlichen Fähigkeiten hinausgehen, helfen diese Algorithmen, verlorene Kulturen zu rekonstruieren, Lücken in beschädigten Artefakten zu schließen und sogar Skripte zu entschlüsseln, die seit Jahrhunderten unlesbar geblieben sind. Das Ergebnis ist ein genaueres, datengesteuertes Bild alter Zivilisationen, das lange gehegte Annahmen herausfordert und neue Wege der Untersuchung eröffnet.

Traditionelle Archäologie beruht auf sorgfältigen Ausgrabungen, physischen Artefakten und schriftlichen Aufzeichnungen – alle können unvollständig, degradiert oder auf bestimmte soziale Klassen oder Regionen ausgerichtet sein. Maschinelles Lernen, das auf Beispielen aus bekannten Kontexten trainiert ist, kann subtile Muster in Fragmenten von Keramik, Stein oder Knochen identifizieren und dann extrapolieren, um vollständigere Rekonstruktionen zu erzeugen. Diese Technologie ersetzt nicht menschliches Fachwissen, sondern erweitert es, so dass Forscher Fragen stellen können, die zuvor unpraktisch waren.

Datenquellen für Machine Learning in der Archäologie

Der Erfolg jeder Machine Learning-Anwendung hängt von der Qualität und Quantität der Daten ab. In der Archäologie stammen die Daten aus einer Vielzahl von Quellen, jede mit ihren eigenen Herausforderungen und Chancen.

Physische Artefaktdatenbanken

Museen und Universitäten auf der ganzen Welt haben Millionen von Artefakten digitalisiert – von Keramikscherben und Prägungen bis hin zu Werkzeugen und Inschriften. Diese Bilder bilden zusammen mit den zugehörigen Metadaten (Ort, Datum, Material, Stil) die Trainingssätze für Klassifizierungsalgorithmen. Zum Beispiel können konvolutionale neuronale Netze (CNNs) lernen, zwischen Keramikstilen zu unterscheiden, die durch Jahrhunderte getrennt sind, mit hoher Genauigkeit, was Archäologen dabei hilft, Schichten genauer zu datieren. Das Peabody Museum in Harvard hat Open-Access-Bildsätze von Maya-Töpfen veröffentlicht, die speziell für die Ausbildung von ML-Modellen für Typologie entwickelt wurden.

Satelliten- und Luftbilder

Hochauflösende Satellitenbilder, LiDAR-Daten und Drohnenaufnahmen ermöglichen eine Vogelperspektive auf Landschaften. Machine Learning-Modelle, die auf bekannten archäologischen Merkmalen wie erhöhten Feldern, Terrassen oder Grabhügeln trainiert werden, können riesige Gebiete scannen, um versteckte Stätten zu finden, die am Boden nicht zu entdecken wären. Dieser Ansatz war besonders effektiv in dicht bewaldeten Regionen wie dem Amazonas und Südostasien, wo alte Siedlungen unter dicken Baldachinen begraben sind. Ein kürzlich in Kambodscha durchgeführtes Projekt verwendete ein CNN auf LiDAR, um mehr als 1.000 bisher unbekannte Tempel um Angkor Wat zu identifizieren (BBC-Bericht).

Umwelt- und Klimaaufzeichnungen

Eisbohrkerne, Baumringe, Seesedimente und Pollenproben enthalten reichhaltige Informationen über vergangene Klimazonen. Maschinelles Lernen kann diese Proxy-Aufzeichnungen mit dem Aufstieg und Fall von Zivilisationen korrelieren und Forschern helfen zu verstehen, wie Dürre, Überschwemmungen oder Vulkanausbrüche den gesellschaftlichen Zusammenbruch oder die Migration beeinflusst haben. Eine in Nature Communications veröffentlichte Studie verwendete maschinelles Lernen, um 5.000 Jahre Klimadaten zu analysieren und fand starke Verbindungen zwischen abrupten Klimaverschiebungen und großen kulturellen Übergängen im Nahen Osten lesen Sie die Studie .

Textuelle Korpora und Inschriften

Alte Texte, ob auf Tontafeln, Papyrus oder Stein, stellen eine einzigartige Herausforderung dar, weil viele fragmentiert, verblasst oder in unentschlüsselten Skripten geschrieben sind. Machine Learning-Modelle, insbesondere solche, die natürliche Sprachverarbeitung (NLP) verwenden, können die Verteilung von Zeichen analysieren, mögliche Lesungen vorschlagen und sogar plausible Übersetzungen erzeugen. Die Indus-Tal-Schrift ist ein bemerkenswertes Beispiel, bei dem Algorithmen angewendet wurden, um zu versuchen, Bedeutung zu entschlüsseln. In ähnlicher Weise wurden Transformatormodelle verwendet, um fehlende Passagen aus beschädigten griechischen Inschriften auf der Heidelberg Epigraphic Database zu rekonstruieren.

Alte DNA und organische Überreste

Eine neuere Datenquelle ist alte DNA aus Knochen, Zähnen und Sedimenten. Maschinelles Lernen kann genetische Sequenzen analysieren, um Migrationsmuster, Populationsmischung und Krankheitsprävalenz in der Antike zu verfolgen. Zum Beispiel verwendete eine Studie aus dem Jahr 2022 zufällige Waldklassifikatoren, um die Ursprünge von in neolithischen Gräbern in ganz Europa begrabenen Individuen zu identifizieren, was zeigt, dass viele Gemeinschaften genetisch viel vielfältiger waren als bisher angenommen (Zellartikel.

Schlüsselalgorithmen und -techniken

Während der Begriff "Maschinelles Lernen" viele Ansätze umfasst, sind einige wenige spezifische Techniken besonders wertvoll für Rekonstruktionsaufgaben in der Archäologie.

Faltungsneurale Netze (CNNs)

CNNs zeichnen sich durch Bilderkennung aus und wurden verwendet, um Töpfertypen zu klassifizieren, Werkzeugmarken zu identifizieren und sogar alte Graffiti an Wänden zu erkennen. Forscher der University of Southern California trainierten ein CNN auf Tausenden von Bildern von Maya-Glyphen und erreichten eine höhere Genauigkeit als menschliche Experten bei der Zuordnung von Teilglyphen zu bekannten ( siehe die Zeitung). Dies beschleunigt den arbeitsintensiven Prozess des epigraphischen Lesens.

Generative Adversarial Networks (GANs)

GANs bestehen aus zwei konkurrierenden Netzwerken: das eine erzeugt neue Daten und das andere beurteilt deren Echtheit. In der Archäologie können GANs beschädigte Regionen von Artefakten rekonstruieren oder fehlende Textteile ausfüllen. Zum Beispiel kann ein GAN, das auf vollständigen römischen Inschriften trainiert ist, die fehlenden Buchstaben auf einer zerbrochenen Tafel mit bemerkenswerter Treue vorhersagen, so dass Historiker ganze Widmungen oder rechtliche Dokumente wiederherstellen können. Die gleiche Technik wurde auf Wandgemäldefragmente aus Pompeji angewendet, die plausible Farb- und Musterfortsetzungen für Fresken erzeugen, die durch den Vesuvausbruch zerstört wurden.

Rezidivierende neuronale Netze (RNNs) und Transformer

Für sequentielle Daten wie Sprache können RNNs und Transformatormodelle (die Architektur hinter GPT) die Wahrscheinlichkeit modellieren, dass ein Zeichen auf ein anderes folgt. Dies wurde verwendet, um nicht entschlüsselte Skripte zu entschlüsseln, indem Zeichenfolgen mit bekannten Sprachen verglichen wurden. Ein kürzlich am MIT durchgeführtes Projekt verwendete einen Transformator, um Muster in der linearen A-Skript zu identifizieren, die nicht entschlüsselt bleibt, was darauf hindeutet, dass sie eine frühe Form des minoischen Griechisch darstellen könnten (MIT Technology Review Artikel).

Clustering und Dimensionalitätsreduktion

Unüberwachte Lernmethoden wie k-means Clustering oder t-SNE können ähnliche Artefakte ohne vorherige Etiketten gruppieren. Dies hilft Archäologen, bisher unbemerkte Stilgruppen oder Handelsverbindungen zu entdecken. Zum Beispiel ergab die Clustering-Analyse von Obsidian-Werkzeugen im Mittelmeerraum, dass bestimmte vulkanische Glasquellen über viel längere Strecken als gedacht gehandelt wurden, was auf komplexe Austauschnetzwerke hinweist. In ähnlicher Weise identifizierte die Clustering von Bestattungsgütern im neolithischen China unterschiedliche soziale Hierarchien, die allein aus der Graborientierung unsichtbar waren.

Reinforcement Learning für die Ausgrabungsplanung

Eine neue Anwendung nutzt Verstärkungslernen, um Ausgrabungsstrategien zu optimieren. Durch die Simulation der Kosten und der Wahrscheinlichkeit, Artefakte in verschiedenen Gitterzellen zu finden, kann ein RL-Agent den effizientesten Grabungsplan vorschlagen. Das Projekt RoboArch in Cambridge testet diesen Ansatz, um die Zeit und das Budget für groß angelegte Ausgrabungen zu reduzieren und gleichzeitig Schäden an fragilen Strukturen zu minimieren.

Case Studies: Machine Learning in Aktion

Neben dem viel zitierten Indus-Tal-Schriftbeispiel veranschaulichen mehrere andere Projekte die Macht dieser Techniken.

Rekonstruktion des alten Amazonas

Jahrzehntelang glaubten Wissenschaftler, dass der Amazonas-Regenwald vor dem europäischen Kontakt dünn besiedelt war, mit nur kleinen, nomadischen Gruppen. Die Analyse von LiDAR-Daten hat jedoch massive Geoglyphen, terrassierte Hügel und Straßennetze ergeben, die unter dem Baldachin verborgen sind. Eine 2023-Studie in Science verwendete ein CNN, um über 5.000 Quadratkilometer Bilder zu scannen und identifizierte mehr als 200 bisher unbekannte Erdarbeiten, einschließlich befestigter Dörfer und zeremonieller Plätze (siehe die Studie).

Carbonized Scrolls aus Herculaneum lesen

In der alten römischen Stadt Herculaneum, die im Jahr 79 n. Chr. vom Vesuv begraben wurde, wurden Hunderte von Papyrusrollen zu zerbrechlichen, unöffnbaren Blöcken verkohlt. Maschinelles Lernen wurde verwendet, um diese Rollen durch die Analyse von CT-Scans virtuell zu "entrollen". Die Vesuvius Challenge bot einen Preis für das erste Team, das Text mit KI las, und im Jahr 2023 gelang es einem Team, lesbare griechische Buchstaben aus einer verbrannten Rolle zu extrahieren (New York Times Berichterstattung. Dieser Durchbruch verspricht, verlorene philosophische Werke wiederherzustellen, einschließlich möglicher Texte des epikureischen Philosophen Philodemus.

Mapping Maya Urban Layouts

Machine Learning-Modelle, die auf LiDAR-Daten aus den Maya-Tiefland trainiert wurden, haben Tausende von Wohnstrukturen, Dammbahnen und Reservoirs identifiziert, die für traditionelle Umfragen unsichtbar waren. Die Analyse von Siedlungsmustern legt nahe, dass Großstädte wie Tikal und Calakmul Teil einer kontinuierlichen Zersiedelung und nicht isolierter Stadtstaaten waren, was unser Verständnis der politischen Organisation der Maya veränderte. Eine Studie aus dem Jahr 2024 verwendete neuronale Graphennetzwerke, um Handelsrouten zwischen diesen Siedlungen zu modellieren, was zeigt, dass die Maya eine vernetzte Marktwirtschaft hatten, die mit denen der heutigen Zivilisationen der Alten Welt konkurrierte (PNAS-Papier).

Entschlüsselung der Bronzezeit-Ägäis

Linear B, die Schrift des mykenischen Griechisch, wurde in den 1950er Jahren durch menschliche Kryptoanalyse entschlüsselt. Seitdem wurde maschinelles Lernen jedoch verwendet, um zerbrochene Tabletten von Pylos und Knossos zu rekonstruieren. Ein Team an der Universität Oxford trainierte ein Bayessches Modell über die Sequenzen von Ideogrammen und Silbenabogrammen, um plausible Restaurierungen von Verwaltungsaufzeichnungen vorzuschlagen. Ihr Modell füllte erfolgreich 80% der fehlenden Zeichen auf Testfragmenten aus, so dass Historiker Inventarlisten für Streitwagen, Gewürze und Textilien lesen konnten, die für immer verloren galten.

Herausforderungen und Einschränkungen

Trotz seines Versprechens steht das maschinelle Lernen in der Archäologie vor ernsthaften Hürden, die sorgfältige Aufmerksamkeit erfordern.

Datenqualität und Bias

Die meisten archäologischen Daten stammen aus gut finanzierten Ausgrabungen in Europa und dem Nahen Osten, was eine Verzerrung bei den Trainingssätzen verursacht. Algorithmen, die auf italienischen Keramiken trainiert werden, können auf Andenschiffen schlecht abschneiden. Wenn ein Trainingssatz nur Elite-Bestattungen umfasst, kann das Modell gewöhnlichere Haushalte fälschlicherweise als nicht-archäologisch identifizieren. Forscher müssen aktiv nach verschiedenen Datensätzen suchen und Modelle in verschiedenen Regionen testen, um verzerrte Ergebnisse zu vermeiden. Initiativen wie die Plattform Open Context zielen darauf ab, repräsentativere Daten aus unterrepräsentierten Regionen wie Afrika südlich der Sahara und den pazifischen Inseln bereitzustellen.

Black Box Problem

Viele Deep Learning-Modelle arbeiten als "Black Boxes" - sie liefern genaue Ergebnisse, bieten aber wenig Einblick in die Frage, warum. Für die Archäologie ist die Interpretierbarkeit von entscheidender Bedeutung. Wenn ein Modell einen Bodenfleck als wahrscheinliche Begräbnisstätte identifiziert, müssen Archäologen die verwendeten Merkmale (Bodenverfärbungen? Vegetationsmuster?) verstehen, um die Vorhersage zu bewerten. Erklärbare KI-Methoden (XAI) werden entwickelt, um dies zu beheben, aber sie sind noch nicht Standard.

Techniken wie SHAP (SHapley Additive exPlanations) und Grad-CAM Heatmaps werden allmählich auf archäologische CNNs angewendet, so dass Forscher sehen können, welche Pixel die Entscheidung ausgelöst haben.

Fragmentierte und laute Daten

Archäologische Daten aus der realen Welt sind oft unvollständig, verwittert oder mit modernen Trümmern vermischt. Modelle für maschinelles Lernen, die saubere Eingaben erwarten, können bei diesen Bedingungen versagen. Techniken zur Datenvergrößerung — wie das künstliche Hinzufügen von Rissen oder Verfärbungen zu Trainingsbildern — helfen, Modelle robuster zu machen, können aber fehlende Informationen nicht vollständig kompensieren. Transfer Learning, bei dem ein Modell, das auf allgemeinen Bilddaten vortrainiert ist, auf archäologische Beispiele abgestimmt ist, hat sich als vielversprechend im Umgang mit variabler Beleuchtung und Perspektive erwiesen.

Ethische und Eigentumsüberlegungen

Wem gehören die digitalen Rekonstruktionen, die durch maschinelles Lernen erzeugt werden? Wenn ein Algorithmus eine plausible Übersetzung eines alten Textes erzeugt, schafft das neues Urheberrecht? Noch ernster, maschinelles Lernen kann verwendet werden, um überzeugende Fälschungen zu generieren – gefälschte Inschriften oder Artefakte – die sogar Experten täuschen könnten. Archäologen und Datenwissenschaftler müssen zusammenarbeiten, um Standards für Herkunft und Verifizierung zu etablieren. Blockchain-basiertes Tracking von digitalen Artefaktmodellen wird als eine Möglichkeit untersucht, Authentizität zu gewährleisten.

Darüber hinaus argumentieren viele indigene Gemeinschaften, dass digitale Repliken heiliger Objekte nicht frei verteilt werden sollten; maschinelle Lernprojekte müssen sich in sinnvoller Konsultation mit nachfahrenden Gruppen engagieren.

Future Directions: Integration mit 3D und VR

Die nächste Grenze ist die Kombination von maschinellem Lernen mit immersiven Technologien, um interaktive Rekonstruktionen alter Umgebungen zu erstellen. Bereits Forscher an der UCLA haben GANs verwendet, um fotorealistische 3D-Modelle ägyptischer Gräber aus einer Handvoll Referenzfotos zu erzeugen. In Kombination mit Virtual-Reality-Headsets ermöglichen diese Modelle den Benutzern, durch einen digital restaurierten Tempel zu gehen, wie er vor 3.000 Jahren erschienen wäre.

Solche Rekonstruktionen sind nicht nur pädagogische Werkzeuge, sie können auch helfen, Hypothesen zu testen. Zum Beispiel können Archäologen durch die Simulation von Licht und Ton bei einer Rekonstruktion eines Maya-Ballplatzes beurteilen, ob akustische Merkmale absichtlich für rituelle Aufführungen entwickelt wurden. Die Integration von maschinellem Lernen mit 3D-Modellierung verspricht, alte Zivilisationen auf eine Weise zugänglich zu machen, die zuvor auf Museumsdioramen beschränkt war. Im Jahr 2024 startete das Heritage3D-Konsortium ein gemeinsames Repository von ML-generierten 3D-Modellen von Standorten auf der ganzen Welt, komplett mit Metadaten über Vertrauensniveaus und Trainingsdaten.

Zusammenarbeit ist der Schlüssel

Um das volle Potenzial des maschinellen Lernens bei der Rekonstruktion alter Zivilisationen zu realisieren, müssen Silos zwischen Disziplinen zusammenbrechen. Archäologen müssen die Grundlagen der Datenwissenschaft verstehen, und Informatiker müssen die Nuancen von Ausgrabungskontexten schätzen. Gemeinsame Feldschulen, gemeinsame Datenbanken und Open-Source-Code-Repositorien wachsen, aber die Finanzierung für solche interdisziplinäre Arbeit bleibt knapp.

Organisationen wie der Archäologie-Datendienst und das Institut für das Studium der Antike sind führend bei der Standardisierung von Datenformaten und der Förderung der ethischen Nutzung von KI. Mit der Erweiterung dieser Ressourcen wird die Zusammenarbeit zwischen Humanisten und Technologen weiterhin Geschichten enthüllen, die lange unter Sand, Erde und Zeit begraben waren.

Maschinelles Lernen ersetzt nicht die sorgfältige Hand des Archäologen oder die Intuition des Historikers. Stattdessen bietet es eine kraftvolle Linse, durch die man die Vergangenheit klarer sehen kann — eine, die Muster in immensem Lärm finden und Leben in zerbrochene, stille Objekte atmen kann. Die Zivilisationen, die Pyramiden bauten, beschriftete Tontafeln und geschnitzte riesige Steinköpfe sprechen wieder zu uns und wir lernen endlich zuzuhören.