Die Suche nach dem Verständnis unserer Vergangenheit beruht stark auf den zurückgelassenen Artefakten - Bruchstücke von Keramik, verblasste Manuskripte und alte Werkzeuge. Aber genau zu bestimmen, wie alt ein Objekt ist, oder ob es sich um ein echtes Relikt oder eine clevere Fälschung handelt, ist seit langem ein mühsamer manueller Prozess. Heute verändert künstliche Intelligenz (KI) Archäologie und Kunstgeschichte, indem sie schnellere, genauere Methoden zur Datierung und Authentifizierung historischer Artefakte anbietet. Diese KI-gesteuerten Werkzeuge analysieren riesige Datensätze, erkennen winzige Muster, die für das menschliche Auge unsichtbar sind, und helfen, die Integrität unseres kulturellen Erbes zu bewahren. Dieser Artikel untersucht, wie KI diese Felder umgestaltet, die damit verbundenen Techniken und die bevorstehenden Herausforderungen.

AI in Dating Historische Artefakte

Datierungsartefakte sind der Eckpfeiler der archäologischen Forschung. Traditionelle Methoden wie Radiokohlenstoffdatierung, Dendrochronologie und Thermolumineszenz haben Wissenschaftlern seit Jahrzehnten gute Dienste geleistet, aber sie haben Grenzen. Radiokohlenstoffdatierung erfordert eine beträchtliche Probe organischen Materials und kann durch Kontamination beeinflusst werden; Dendrochronologie funktioniert nur für Holz mit sichtbaren Baumringen; Thermolumineszenz erfordert eine sorgfältige Messung der gespeicherten Strahlung. KI ersetzt diese Techniken nicht, sondern verbessert sie durch die Integration von Daten aus mehreren Quellen und die Identifizierung von Mustern, die für menschliche Analysten möglicherweise nicht offensichtlich sind.

Machine-Learning-Algorithmen können an Tausenden von gut datierten Artefakten trainiert werden, um die subtilen Beziehungen zwischen den physikalischen Eigenschaften eines Objekts und seinem Alter zu lernen. Zum Beispiel kann ein KI-Modell die chemische Zusammensetzung von altem Glas, die Verschleißmuster auf Steinwerkzeugen oder die stilistische Entwicklung von Keramikdekorationen untersuchen. Durch den Vergleich eines neuen Artefakts mit dieser Referenzdatenbank kann der Algorithmus eine probabilistische Schätzung seines Alters erstellen, oft mit größerer Genauigkeit und Geschwindigkeit als herkömmliche Methoden allein. Dieser Ansatz ist besonders wertvoll, wenn es um Artefakte geht, die für eine herkömmliche Datierung zu beschädigt sind, oder wenn eine zerstörungsfreie Methode erforderlich ist.

Machine Learning Techniken

Es werden mehrere Ansätze des maschinellen Lernens angewandt. Faltungsneurale Netze (CNNs), die ursprünglich für die Bilderkennung entwickelt wurden, zeichnen sich bei der Analyse visueller Merkmale aus - wie Pinselstrichmuster in Gemälden, Werkzeugmarken auf Steinoberflächen oder die Patina auf Metallobjekten. Rezidivierende neuronale Netze (RNNs) und Transformatoren können sequentielle Daten modellieren, wie die stilistischen Veränderungen in Manuskriptbeleuchtungen über Jahrhunderte oder die Entwicklung von Münzdesigns durch aufeinanderfolgende Herrschaften. Inzwischen können Clustering-Algorithmen Artefakte mit ähnlichen Eigenschaften gruppieren und Archäologen helfen, zuvor unerkannte Perioden oder kulturelle Verbindungen zu identifizieren.

Ein überzeugendes Beispiel ist der Einsatz von CNNs bis dato antike Keramik. Forscher der Universität Oxford trainierten ein Modell an Tausenden von Bildern von Keramikgefäßen aus dem Mittelmeerraum. Die KI lernte, spezifische dekorative Motive, Randformen und Glasurfarben mit bekannten chronologischen Phasen zu assoziieren. Bei Tests an bisher unbekannten Gefäßen wurden dem Modell Daten zugewiesen, die den Expertenbewertungen in über 90% der Fälle entsprachen, und zwar in Sekunden anstatt in den Stunden, die ein Experte möglicherweise benötigt. Ähnliche Arbeiten werden mit chinesischen Bronzegefäßen, beleuchteten Manuskripten und sogar alten Münzen durchgeführt.

In jedem Fall greift die KI subtile Merkmale auf - Mikrokratzer, Pigmentabbau oder Legierungszusammensetzung -, die der Mensch übersehen könnte.

Eine weitere vielversprechende Technik ist die multimodale KI, die Daten aus verschiedenen Quellen kombiniert. So können beispielsweise das Raman-Spektrum (chemischer Fingerabdruck), der hochauflösende 3D-Scan und die Textbeschreibung eines Artefakts in ein einziges Modell eingespeist werden. Dieser ganzheitliche Ansatz verringert die Wahrscheinlichkeit von Fehlern, die durch die Abhängigkeit von einem einzigen Merkmal verursacht werden. Das Modell kann verschiedene Signale kreuzvalidieren, was es besonders für beschädigte oder restaurierte Objekte nützlich macht. Multimodale Systeme beginnen auch, kontextbezogene archäologische Daten wie die Bodenzusammensetzung am Ausgrabungsort oder zugehörige Funde zu integrieren, um die Datierungsgenauigkeit zu verbessern.

Fallstudien in AI-Assisted Dating

Neben Keramik und Münzen macht KI Fortschritte bei der Datierung organischer Materialien wie Knochen und Holz. Ein Team des Max-Planck-Instituts entwickelte ein Deep-Learning-Modell, das die Kollagenkonservierung in alten Knochen analysiert, um ihr Alter zu schätzen und Radiokohlenstoffergebnisse zu ergänzen. Das Modell wurde an Proben von bekannten Altersstandorten trainiert und kann nun Altersbereiche für Knochen vorhersagen, die für eine zuverlässige Kohlenstoff-14-Datierung zu kontaminiert sind. In einem anderen Projekt verwendeten Forscher ein neuronales Netzwerk, um alte ägyptische Papyri auf der Grundlage von Änderungen des Handschriftstils zu datieren. Die KI analysierte mikroskopische Variationen in Buchstabenformen und Tintenverteilung, um eine Datierungsgenauigkeit innerhalb von 50 Jahren für Dokumente zu erreichen, die sich über zwei Jahrtausende erstrecken.

Während das Turiner Grabtuch nach wie vor umstritten ist, könnten KI-Methoden theoretisch auf ähnliche Streitpunkte angewendet werden. In kontrollierten Studien wurde KI zur Analyse der chemischen Zusammensetzung von Leinenfasern und der Verteilung von Pollenkörnern zur Altersabschätzung eingesetzt. Die Zuverlässigkeit solcher Vorhersagen hängt jedoch stark von der Qualität der Trainingsdaten ab. Die KI-Datierung funktioniert im Allgemeinen am besten, wenn es einen großen, gut verstandenen Referenzsatz aus derselben Region und Periode gibt. Für einzigartige oder schlecht dokumentierte Objekte sind menschliche Expertise und traditionelle Methoden nach wie vor unverzichtbar.

AI zur Authentifizierung von Artefakten

Authentifizierung ist vielleicht noch kritischer als Dating. Der Markt für Antiquitäten und Kunst ist mit Fälschungen überflutet, einige so ausgeklügelt, dass sie sogar erfahrene Experten täuschen. KI bringt Objektivität in diese subjektive Arena, indem sie Merkmale untersucht, die Menschen nicht wahrnehmen können - oder übersehen könnten. Authentizität geht es nicht nur um das Alter; es geht auch darum, zu überprüfen, ob Materialien, Handwerkskunst und Herkunft eines Objekts mit seiner behaupteten Herkunft übereinstimmen. KI kann all diese Dimensionen gleichzeitig analysieren.

Die KI-Authentifizierung umfasst typischerweise drei Schritte: Datenerfassung (z. B. hochauflösende Bildgebung, Spektroskopie, Röntgenfluoreszenz), Merkmalsextraktion durch maschinelles Lernen und einen Vergleich mit einer Datenbank von echten und gefälschten Gegenständen. Der Algorithmus lernt, zwischen den subtilen Unterschieden zu unterscheiden, die Meisterwerke von Imitationen trennen. Zum Beispiel kann er Variationen der Pigmentpartikelgröße in Renaissance-Gemälden, die mikroskopische Ausrichtung von Pinselhaaren oder das Vorhandensein anachronistischer Materialien erkennen. Die gleiche Technologie kann Objekte kennzeichnen, die Anzeichen moderner Restaurierung zeigen, die täuschen sollten.

Fälschungen erkennen

Die Fälschungserkennung hat bei AI bemerkenswerte Erfolge erzielt. Einer der am häufigsten berichteten Fälle betraf das Gemälde Samson und Delilah, das Peter Paul Rubens zugeschrieben wird. Ein KI-Algorithmus, der auf hochauflösenden Scans authentischer Rubens-Werke trainiert wurde, identifizierte Anomalien in den Unterzeichnungen - Linien, die mit einem modernen Stift anstelle einer Feder aus dem 17. Jahrhundert gezeichnet wurden. Das Gemälde wurde später nach zusätzlicher chemischer Analyse als Fälschung bestätigt.

Dieser Fall zeigte, wie KI Inkonsistenzen erkennen kann, die selbst erfahrene Kunsthistoriker vermissen.

Ein weiterer Bereich, in dem sich KI auszeichnet, ist die Analyse von Pinselstrichmustern. Jeder Künstler hat einen einzigartigen, unterbewussten Stil, der extrem schwer nachzuahmen ist. Deep-Learning-Modelle können die dreidimensionale Textur der Farbe und die Direktionalität von Strichen abbilden, um eine "Signatur" für jeden Künstler zu erstellen. Wenn eine vermutete Fälschung getestet wird, kann die KI ihre Strichmuster mit Millionen von authentischen Beispielen vergleichen. In einer Studie von 2020 hat ein Modell Fälschungen von Werken von Vincent van Gogh mit einer Genauigkeit von 99% identifiziert, indem es die charakteristischen Impasto und Pinselarbeiten analysiert.

In ähnlicher Weise haben Forscher der Rutgers University ein System entwickelt, das die gesamte kompositorische Struktur des Gemäldes untersucht und Fälschungen erkennt, indem es Elemente identifiziert, die von der bekannten visuellen Grammatik des Künstlers abweichen.

KI wird auch zur Verifizierung antiker Objekte wie Münzen, Skulpturen und Manuskripte eingesetzt. So entwickelten Forscher der University of California, Los Angeles, ein System, das die Echtheit alter Münzen mit Hilfe der optischen Kohärenztomographie (OCT) und maschinellem Lernen testet. Der OCT-Scan zeigt mikrostrukturelle Details des Metalls - wie Korngrenzen und Korrosionsschichten -, die sich nur schwer künstlich replizieren lassen. Die KI klassifiziert die Münze dann anhand von Millionen von Datenpunkten als echt oder gefälscht. In der Skulpturenwelt hat ein Team der Universität Bern moderne Marmorzusätze zu römischen Statuen durch die Analyse der einzigartigen Verwitterungsmuster und der Kristallstruktur des Steins mit einem neuronalen Netzwerk erkannt.

Rolle der Spektroskopie und Bildgebung

Spektroskopische Techniken wie Raman-Spektroskopie, FTIR (Fourier-Transform-Infrarotspektroskopie) und Röntgenfluoreszenz (XRF) liefern chemische Fingerabdrücke von Artefakten. KI kann diese Spektren verarbeiten, um Materialien zu identifizieren, die mit der beanspruchten Ära nicht übereinstimmen. Wenn zum Beispiel ein angebliches Gemälde aus dem 15. Jahrhundert ein Pigment enthält, das erst im 19. Jahrhundert erfunden wurde, wird die KI es kennzeichnen.

Der wahre Fortschritt ist, dass KI komplexere Muster erkennen kann - wie die Abbauprodukte, die sich über Jahrhunderte bilden - anstatt nur nach modernen Elementen zu suchen. Dies hilft, echtes Altern von künstlich induzierten Patinas zu unterscheiden.

Hyperspektrale Bildgebung, die Hunderte von Spektralbändern über die Oberfläche eines Artefakts erfasst, erzeugt riesige Datensätze, die über die menschliche Analyse hinausgehen. Machine Learning-Modelle können auf diesen Bildern trainieren, um Bereiche der Übermalung, Restaurierung oder versteckte Skizzen zu identifizieren, die die Geschichte eines Objekts enthüllen. Diese Technik wurde verwendet, um alte ägyptische Papyri zu authentifizieren - die KI erkannte einen modernen Tintenzusatz, der antike Schrift nachahmte - und versteckten Text in mittelalterlichen Manuskripten aufzudecken. In einem bemerkenswerten Projekt kombinierte ein Team der Universität Basel die hyperspektrale Bildgebung mit einem CNN, um die Echtheit eines Koran-Manuskripts aus dem 9. Jahrhundert zu überprüfen und seinen Ursprung zu bestätigen, indem die spektrale Signatur des Pergaments mit bekannten Proben aus der gleichen Zeit zusammenpasste.

Herausforderungen und Einschränkungen

Trotz ihrer Versprechen ist KI in der Artefakt-Authentifizierung und -Datierung keine Wunderwaffe. Es gibt noch einige bedeutende Herausforderungen, die von Datenbeschränkungen bis hin zu ethischen Bedenken reichen.

Datenqualität und Verfügbarkeit

Die kritischste Einschränkung ist die Notwendigkeit großer, gut beschrifteter Datensätze. Um ein zuverlässiges Modell zu trainieren, sind Tausende von authentifizierten Artefakten mit bekannten Daten oder Herkunftsnachweisen erforderlich. Viele Museen und private Sammlungen zögern, ihre Daten zu teilen, entweder aus Gründen der Sicherheit, des geistigen Eigentums oder der Angst, dass öffentliche Daten Fälschern helfen könnten. Darüber hinaus enthalten bestehende Datensätze oft Vorurteile - sie können Kunst aus bestimmten Regionen oder Epochen überrepräsentieren, was dazu führt, dass KI schlechte Vorhersagen trifft, wenn sie auf Artefakte aus unterrepräsentierten Kulturen trifft. Zum Beispiel könnte eine KI, die hauptsächlich auf europäische Keramiken trainiert wird, ein afrikanisches Keramikstück falsch datieren oder ein legitimes afrikanisches Artefakt nicht als authentisch anerkennen, weil es keine Beispiele im Trainingsset gibt.

Übermäßige Abhängigkeit von Technologie

Es besteht die Gefahr, dass Kuratoren und Sammler zu viel Vertrauen in KI-Outputs setzen, ohne deren Grenzen zu verstehen. KI-Modelle können durch kontradiktorische Beispiele getäuscht werden – leichte Modifikationen, die Fehlklassifizierung verursachen. Ein versierter Fälscher könnte diese Schwächen möglicherweise ausnutzen, indem er beispielsweise einem modernen Objekt eine kleine Menge eines Pigments aus der richtigen Ära hinzufügt, um die spektroskopische KI zu verwechseln. Die Authentifizierung sollte KI immer mit traditioneller Expertenanalyse, chemischer Prüfung und Provenienzforschung kombinieren. KI ist ein Werkzeug, kein Ersatz.

Institutionen, die sich ausschließlich auf algorithmische Urteile verlassen, riskieren, kostspielige Fehler zu machen.

Bias und Repräsentativität

Bias in Trainingsdaten können dazu führen, dass KI historische Ungleichheiten fortsetzt. Wenn das Trainingsset meist Artefakte mit hohem Status aus wohlhabenden Zivilisationen enthält, wird das Modell wahrscheinlich für alltägliche Objekte aus weniger dokumentierten Kulturen weniger genau sein. Dies kann die koloniale Voreingenommenheit verstärken, die die Archäologie seit langem plagt, wo die Artefakte mächtiger Imperien mehr Aufmerksamkeit erhalten. Forscher müssen aktiv nach verschiedenen Datensätzen suchen und Techniken entwickeln, um kleine oder unausgewogene Proben zu behandeln. Einige Gruppen experimentieren mit wenig Shot Learning und synthetischer Datengenerierung, um dieses Problem zu mildern, aber es bleibt ein offenes Forschungsgebiet.

Auslegungsmöglichkeit

Viele Machine-Learning-Modelle, insbesondere tiefe neuronale Netze, funktionieren als „black boxes. Sie können eine Wahrscheinlichkeit oder Klassifizierung liefern, können aber nicht leicht erklären, warum sie zu diesem Schluss kommen. Diese mangelnde Interpretierbarkeit ist ein Problem in der Welt der Authentifizierung mit hohen Einsätzen, in der Entscheidungen Millionen von Dollars erfordern und das kulturelle Erbe beeinflussen können. Ein Museum zögert möglicherweise, ein wertvolles Stück aufgrund des undurchsichtigen Urteils eines neuronalen Netzes zu deaccession. Forscher beginnen, erklärbare KI-Techniken zu entwickeln, die die Entscheidung beeinflussen.

Zukünftige Richtungen

Die Integration von KI mit anderen Technologien verspricht noch robustere Methoden für Datierung und Authentifizierung. Mehrere aufkommende Trends werden wahrscheinlich das nächste Jahrzehnt der digitalen Archäologie und Kunstverifikation bestimmen.

Blockchain für Provenienz

Die Blockchain-Technologie kann manipulationssichere digitale Aufzeichnungen für Artefakte erstellen und KI-Analyseergebnisse mit einem permanenten, öffentlichen Hauptbuch verknüpfen. Wenn ein Artefakt von KI gescannt und analysiert wird, kann sein "Fingerabdruck" - ein Hash der Scandaten und des Authentifizierungsergebnisses - in einer Blockchain gespeichert werden. Dies macht es viel schwieriger, später eine Fälschung in eine Herkunftssammlung zu tauschen. Mehrere Startups entwickeln bereits solche Lösungen für den Kunstmarkt und einige Museen pilotieren Blockchain-gestützte Herkunftszertifikate. In Kombination mit der KI-Authentifizierung könnte dies die Verbreitung von Fälschungen drastisch reduzieren.

Crowdsourced und Open Databases

Initiativen wie das Forschungskonsortium „Art & AI arbeiten daran, Open-Source-Datenbanken mit authentifizierten Artefakten aufzubauen, mit denen Forscher auf der ganzen Welt Modelle trainieren können. Crowdsourcing-Bilder und Daten aus Museen, Universitäten und sogar Amateurarchäologen könnten die KI-Leistung, insbesondere für unterrepräsentierte Kulturen, dramatisch verbessern. Der Schlüssel ist, dass Datenbeiträge verifiziert und standardisiert werden. Projekte wie das DAI-Projekt AI Archäologie zeigen bereits, wie kollaborative Datenbanken die Forschung beschleunigen können. Mit dem Beitritt von mehr Institutionen werden die Qualität und Vielfalt der Trainingsdaten zunehmen, was zu gerechteren KI-Systemen führt.

Multimodale Grundlagenmodelle

Zukünftige KI-Systeme könnten auf großen Basismodellen aufbauen, die auf großen Mengen an Text, Bildern und Spektraldaten vortrainiert sind. Diese Modelle könnten für bestimmte Datierungs- oder Authentifizierungsaufgaben mit relativ kleinen Datensätzen verfeinert werden, ähnlich wie große Sprachmodelle für neue Domänen angepasst werden. Solche Modelle könnten auch Kontextinformationen enthalten - historische Aufzeichnungen, Ausgrabungsberichte und Provenienzdokumente -, um eine umfassendere Bewertung zu ermöglichen. Zum Beispiel könnte ein auf Tausende von Jahren Kunstgeschichte trainiertes Grundlagenmodell über Stil, Materialien und Texterwähnungen eines Artefakts gleichzeitig nachdenken und eine ganzheitliche Ansicht bieten, die die heutigen spezialisierten Modelle nicht erfüllen können.

Echtzeit-Feldanalyse

Tragbare KI-Geräte werden für den Einsatz im Feld entwickelt, so dass Archäologen vorläufige Datierungs- und Authentizitätsschätzungen während der Ausgrabung erhalten können. Handheld-Raman-Spektrometer in Kombination mit neuronalen Netzwerken auf Geräten können sofortige chemische Analysen ermöglichen. Diese Werkzeuge sind zwar noch nicht so genau wie laborbasierte Systeme, können aber dazu beitragen, zu priorisieren, welche Artefakte für detaillierte Untersuchungen transportiert werden sollen. Mit der Verbesserung des Edge-Computing könnten wir bald sehen, dass KI-betriebene Lupen eine Fälschung innerhalb von Sekunden in einem Auktionshaus oder bei archäologischen Ausgrabungen erkennen können.

Kulturerbe bewahren mit verantwortungsbewusster KI

Da KI immer tiefer in Archäologie und Kunstgeschichte eingebettet wird, müssen ethische Überlegungen ihre Nutzung leiten. Algorithmen sollten so gestaltet werden, dass sie koloniale Vorurteile nicht verstärken oder westliche Artefakte privilegieren. Ihre Ergebnisse sollten transparent und überprüfbar sein. Und das ultimative Ziel sollte immer sein, unsere gemeinsame menschliche Geschichte zu bewahren und zu verstehen – nicht das Fachwissen von Historikern und Konservatoren zu ersetzen, sondern sie zu stärken. Verantwortungsbewusste KI bedeutet auch, sich mit Quellengemeinschaften auseinanderzusetzen und sicherzustellen, dass Technologie die Plünderung oder Kommerzialisierung des kulturellen Erbes nicht verschärft.

In den kommenden zehn Jahren können wir erwarten, dass KI ein Standardwerkzeug in Museumslabors, Auktionshäusern und Ausgrabungen wird. Die gleiche Technologie, die Gesichter auf Fotos erkennt, wird bald dazu beitragen, einen mittelalterlichen Kelch zu authentifizieren oder eine antike griechische Amphora zu datieren. Indem wir diese Fortschritte annehmen und uns ihrer Grenzen bewusst bleiben, können wir unser kulturelles Erbe besser schützen - und sicherstellen, dass zukünftige Generationen sowohl die Artefakte als auch das Wissen erben, das sie benötigen, um sie zu interpretieren.

Für Leser, die weitere Erkundungen suchen, zeigte eine Studie aus dem Jahr 2019 in Nature Communications, wie Deep Learning die Genauigkeit der Radiokohlenstoffdatierung durch Analyse von Sedimentschichten verbesserte (Nature Communications, 2019. Ein weiterer Artikel in Science Advances zeigte, wie maschinelles Lernen Fälschungen in Renaissance-Gemälden identifiziert, indem es Pinselarbeiten und Pigmentverteilung analysiert (Science Advances, 2021 Science Advances. Das Open Access-Datensatz des Metropolitan Museum of Art bietet eine reiche Ressource für die Ausbildung von AI-Modellen (Met Museum Open Access Schließlich zeigt das Projekt der Universität Zürich zur archäologischen Keramikdatierung, wie CNNs auf Keramiktypologien angewendet werden (DAI Project AI Archaeology. Diese Ressourcen bieten einen Ausgangspunkt für alle, die