La recherche de comprendre notre passé repose fortement sur les artefacts laissés derrière eux — fragments de poterie, manuscrits effacés et outils anciens. Mais déterminer exactement l'âge d'un objet, ou s'il s'agit d'une véritable relique ou d'une falsification intelligente, a longtemps été un processus manuel laborieux. Aujourd'hui, l'intelligence artificielle (AI) transforme l'archéologie et l'histoire de l'art en offrant des méthodes plus rapides et plus précises pour dater et authentifier les artefacts historiques.

L'IA dans les Rencontres Artéfacts Historiques

Les méthodes traditionnelles comme la datation au radiocarbone, la dendrochronologie et la thermoluminescence ont bien servi les chercheurs pendant des décennies, mais elles ont des limites. La datation au radiocarbone nécessite un échantillon important de matière organique et peut être affectée par la contamination; la dendrochronologie ne fonctionne que pour le bois avec des anneaux d'arbres visibles; la thermoluminescence exige une mesure soigneuse des rayonnements stockés. L'IA ne remplace pas ces techniques mais les améliore en intégrant des données provenant de sources multiples et en identifiant des modèles qui ne sont pas évidents pour les analystes humains.

Par exemple, un modèle d'IA peut examiner la composition chimique du verre ancien, les motifs d'usure des outils en pierre ou l'évolution stylistique des décorations de poterie. En comparant un nouvel artefact à cette base de données de référence, l'algorithme peut produire une estimation probabiliste de son âge, souvent avec plus de précision et de rapidité que les méthodes traditionnelles seulement. Cette approche est particulièrement utile lorsqu'on traite des artefacts trop endommagés pour la datation conventionnelle, ou lorsqu'une méthode non destructive est nécessaire.

Techniques d'apprentissage automatique

Plusieurs approches d'apprentissage automatique sont appliquées à la datation. Réseaux neuronaux convolutionnels (RCN), conçus à l'origine pour la reconnaissance d'images, excellent à l'analyse de caractéristiques visuelles – comme les motifs de coups de pinceau dans les peintures, les marques d'outils sur les surfaces de pierre, ou la patine sur des objets métalliques.

Des chercheurs de l'Université d'Oxford ont formé un modèle sur des milliers d'images de vaisseaux céramiques de la région méditerranéenne. L'IA a appris à associer des motifs décoratifs spécifiques, des formes de jantes et des couleurs glaçures à des phases chronologiques connues. Lorsqu'elle a testé sur des vaisseaux précédemment invisibles, le modèle a attribué des dates qui correspondaient à des évaluations d'experts dans plus de 90 % des cas, et cela en quelques secondes plutôt qu'aux heures qu'un expert pourrait avoir besoin.

Une autre technique prometteuse est l'IA multimodale, qui combine des données provenant de différentes sources. Par exemple, un artefact Raman spectre (empreinte chimique), son balayage 3D haute résolution, et sa description textuelle peuvent tous être introduits dans un modèle unique. Cette approche holistique réduit les risques d'erreurs causées par le recours à une seule fonctionnalité. Le modèle peut valider différents signaux, ce qui le rend particulièrement utile pour les objets endommagés ou ayant subi une restauration.

Études de cas sur les rencontres avec des personnes atteintes d'IA

Au-delà de la poterie et des pièces, l'IA fait des progrès dans la datation de matériaux organiques comme l'os et le bois. Une équipe de l'Institut Max Planck a développé un modèle d'apprentissage profond qui analyse la préservation du collagène dans les os anciens pour estimer leur âge, en complément des résultats radiocarbonés. Le modèle a été formé sur des échantillons de sites connus d'âge et peut maintenant prédire des intervalles d'âge pour les os trop contaminés pour la datation fiable du carbone‐14.

Si le Lin de Turin reste controversé, les méthodes d'IA pourraient théoriquement être appliquées à des éléments aussi controversés. Dans des études contrôlées, l'IA a été utilisée pour analyser la composition chimique des fibres de lin et la distribution des grains de pollen pour estimer l'âge. Cependant, la fiabilité de ces prédictions dépend fortement de la qualité des données d'entraînement. En général, la datation d'IA fonctionne mieux lorsqu'il y a une référence importante et bien comprise de la même région et de la même période.

L'IA dans les artéfacts authentificateurs

L'authentification est peut-être encore plus critique que la datation. Le marché des antiquités et de l'art est inondé de faux, certains si sophistiqués qu'ils trompent même les experts chevronnés. L'IA apporte l'objectivité à cette arène subjective en examinant des caractéristiques que les humains ne peuvent pas percevoir – ou peut ignorer. L'authenticité n'est pas seulement à propos de l'âge; il implique également de vérifier qu'un objet est des matériaux, de l'artisanat, et de la provenance sont compatibles avec son origine revendiquée.

L'authentification par l'IA comporte généralement trois étapes : l'acquisition de données (imagerie à haute résolution, spectroscopie, fluorescence par rayons X), l'extraction de fonctions par l'apprentissage automatique et une comparaison avec une base de données d'objets authentiques et forgés. L'algorithme apprend à distinguer les différences subtiles qui séparent les chefs-d'œuvre des imitations. Par exemple, il peut détecter des variations dans la taille des particules pigmentaires dans les peintures Renaissance, l'orientation microscopique des poils de brosse ou la présence de matériaux anachroniques.

Détecter les forges

La détection de la forgerie a connu un succès remarquable avec l'IA. Un des cas les plus fréquemment signalés a impliqué la peinture Samson et Delilah attribuée à Peter Paul Rubens. Un algorithme d'IA formé à des analyses à haute résolution de travaux de Rubens authentiques a identifié des anomalies dans le sous-tirage, des lignes qui avaient été dessinées avec une plume moderne plutôt qu'une plume du XVIIe siècle. La peinture a ensuite été confirmée comme une contrefaçon après analyse chimique supplémentaire.

Un autre domaine où l'IA excelle est l'analyse des motifs de coups de pinceau. Chaque artiste a un style unique et subconscient extrêmement difficile à imiter. Les modèles d'apprentissage profond peuvent cartographier la texture tridimensionnelle de la peinture et la directionnalité des coups de pinceau pour créer une signature -- pour chaque artiste. Lorsqu'un faux présumé est testé, l'IA peut comparer ses motifs de traits à des millions d'exemples authentiques.

L'IA est également utilisée pour vérifier des objets anciens comme des pièces, des sculptures et des manuscrits.Par exemple, des chercheurs de l'Université de Californie, Los Angeles, ont développé un système qui utilise la tomographie optique et l'apprentissage automatique pour tester l'authenticité des pièces anciennes. L'analyse OCT révèle des détails microstructurels du métal, tels que les limites de grains et les couches de corrosion, qui sont difficiles à reproduire artificiellement. L'IA classe ensuite la pièce comme authentique ou contrefaite à partir de millions de points de données.

Rôle de la spectroscopie et de l'imagerie

Les techniques spectroscopiques comme la spectroscopie Raman, la spectroscopie infrarouge FTIR (Fourier-transform infrarouge spectroscopie) et la fluorescence par rayons X (XRF) fournissent des empreintes chimiques d'artefacts. L'IA peut traiter ces spectres pour identifier des matériaux qui ne sont pas conformes à l'époque revendiquée. Par exemple, si une peinture supposée du XVe siècle contient un pigment qui n'a pas été inventé avant le XIXe siècle, l'IA l'apposera. La véritable avancée est que l'IA peut détecter des modèles plus complexes, comme les produits de dégradation qui se forment naturellement au fil des siècles, plutôt que de chercher des éléments modernes.

L'imagerie hyperspectrale, qui capture des centaines de bandes spectrales sur une surface d'artefact, génère d'énormes ensembles de données qui dépassent l'analyse humaine. Les modèles d'apprentissage automatique peuvent former sur ces images pour identifier des zones de surpeinte, de restauration ou de croquis cachés qui révèlent une histoire d'objet. Cette technique a été utilisée pour authentifier les papyris égyptiens anciens – l'IA a détecté un ajout d'encre moderne qui avait été peint pour imiter l'écriture ancienne – et pour découvrir du texte caché dans des manuscrits médiévaux.

Défis et limites

Malgré sa promesse, l'IA dans l'authentification des artefacts et la datation n'est pas une balle d'argent. Plusieurs défis importants restent à relever, allant des contraintes de données aux préoccupations éthiques.

Qualité et disponibilité des données

Pour former un modèle fiable, il faut des milliers d'objets authentifiés à des dates ou à des provenances connues. De nombreux musées et collections privées hésitent à partager leurs données, soit en raison de préoccupations liées à la sécurité, à la propriété intellectuelle, soit en craignant que les données publiques ne contribuent à la forçage. De plus, les ensembles de données existants contiennent souvent des biais, car ils peuvent surreprésenter l'art de certaines régions ou périodes, ce qui conduit l'IA à faire de mauvaises prédictions lorsqu'elle rencontre des objets de cultures sous-représentées. Par exemple, une IA formée principalement sur la poterie européenne pourrait mal dater une pièce de céramique africaine ou ne pas reconnaître un artefact africain légitime comme authentique parce qu'il manque d'exemples dans l'ensemble de formation.

Sur-reliance sur la technologie

Les modèles d'IA peuvent être dupés par des exemples contradictoires, des modifications légères conçues pour causer une mauvaise classification. Un forgeur averti pourrait exploiter ces faiblesses en ajoutant, par exemple, une petite quantité d'un pigment de l'ère correcte à un objet moderne pour confondre l'IA spectroscopique. L'authentification devrait toujours combiner l'IA avec l'analyse d'experts traditionnels, les essais chimiques et la recherche sur la provenance. L'IA est un outil, et non un substitut.

Bénéfices et représentativité

Si l'ensemble de formation contient principalement des artefacts de haute qualité provenant de civilisations riches, le modèle sera probablement moins précis pour les objets de la vie quotidienne issus de cultures moins documentées. Cela peut renforcer le biais colonial qui a longtemps souffert de l'archéologie, où les artefacts des empires puissants reçoivent plus d'attention. Les chercheurs doivent activement rechercher divers ensembles de données et développer des techniques pour traiter des échantillons petits ou déséquilibrés. Certains groupes expérimentent avec peu de tir-apprentissage et la génération de données synthétiques pour atténuer ce problème, mais il reste un domaine de recherche ouvert.

Interprétation

De nombreux modèles d'apprentissage automatique, en particulier les réseaux neuronaux profonds, fonctionnent comme des boîtes noires. - Ils peuvent fournir une probabilité ou une classification, mais ils ne peuvent pas facilement expliquer pourquoi ils ont atteint cette conclusion. Ce manque d'interprétation est un problème dans le monde de l'authentification artistique à haute portée, où les décisions peuvent impliquer des millions de dollars et affecter le patrimoine culturel. Un musée peut hésiter à décroître une pièce précieuse basée sur un verdict opaque de réseau neuronal.

Orientations futures

L'intégration de l'IA à d'autres technologies promet des méthodes encore plus robustes pour la datation et l'authentification. Plusieurs tendances émergentes sont susceptibles de définir la prochaine décennie d'archéologie numérique et de vérification d'art.

Blockchain pour la Provenance

La technologie Blockchain peut créer des enregistrements numériques contre-altérables pour les artefacts, reliant les résultats d'analyse de l'IA à un registre public permanent. Lorsqu'un artefact est scanné et analysé par l'IA, son -empreinte -un hash des données de numérisation et le résultat d'authentification-- peut être stocké sur une blockchain. Cela rend beaucoup plus difficile d'échanger plus tard une contrefaçon en une collection de provenance.

Bases de données ouvertes et sur source publique

Des initiatives comme le consortium de recherche -Art &-AI-I travaillent à la création de bases de données ouvertes sur les artefacts authentifiés que les chercheurs du monde entier peuvent utiliser pour former des modèles. L'obtention d'images et de données provenant de musées, d'universités et même d'archéologues amateurs pourrait améliorer considérablement la performance de l'IA, en particulier pour les cultures sous-représentées.La clé est de s'assurer que les contributions des données sont vérifiées et normalisées.

Modèles de fondation multimodales

Les futurs systèmes d'IA peuvent être construits sur de grands modèles de base pré-formés sur de grandes quantités de textes, d'images et de données spectrales. Ces modèles pourraient être adaptés pour des tâches spécifiques de datation ou d'authentification avec des ensembles de données relativement petits, tout comme la façon dont les grands modèles de langue sont adaptés à de nouveaux domaines. Ces modèles pourraient également intégrer des informations contextuelles — des documents historiques, des rapports d'excavation et des documents de provenance — pour fournir une évaluation plus complète.

Analyse en temps réel du champ

Des dispositifs portatifs d'IA sont en cours de développement pour être utilisés sur le terrain, permettant aux archéologues d'obtenir des estimations préliminaires de datation et d'authenticité lors des fouilles. Les spectromètres Raman portatifs couplés à des réseaux neuronaux sur les appareils peuvent fournir une analyse chimique instantanée. Bien que ces outils ne soient pas encore aussi précis que les systèmes basés sur des laboratoires, ils peuvent aider à établir la priorité des artefacts à transporter pour une étude détaillée.

Préserver le patrimoine culturel avec une AI responsable

L'IA étant de plus en plus profondément ancrée dans l'archéologie et l'histoire de l'art, les considérations éthiques doivent guider son utilisation. Les algorithmes devraient être conçus pour éviter de renforcer les préjugés coloniaux ou de priviléger les artefacts occidentaux. Leurs résultats devraient être transparents et vérifiables. Et l'objectif ultime devrait toujours être de préserver et de comprendre notre histoire humaine commune – non pas pour remplacer l'expertise des historiens et des conservateurs, mais pour les autonomiser.

Dans la décennie à venir, nous pouvons nous attendre à ce que l'IA devienne un outil standard dans les laboratoires muséaux, les maisons de vente aux enchères et les fouilles sur le terrain. La même technologie qui reconnaît les visages dans les photos aidera bientôt à authentifier un calice médiéval ou à dater une ancienne amphore grecque. En embrassant ces avancées tout en restant conscients de leurs limites, nous pouvons mieux protéger notre patrimoine culturel – et faire en sorte que les générations futures héritent à la fois des artefacts et des connaissances nécessaires pour les interpréter.

Pour les lecteurs qui cherchent à explorer davantage, une étude de 2019 dans Nature Communications a démontré comment l'apprentissage en profondeur de la précision des datations au radiocarbone en analysant les couches de sédiments (Nature Communications, 2019.Un autre article dans Science Advances[ a montré comment l'apprentissage en machine identifie les falsifications dans les peintures Renaissance en analysant le brossage et la distribution de pigments (Science Advances, 2021.Le Metropolitan Museum of Arts Open Access datas se veut une ressource riche pour la formation des modèles d'IA (Met Museum Open Access.