המסע להבנת העבר שלנו מסתמך רבות על החפצים שנותרו מאחור – פרי עטים של כלי שיט, כתבי יד דו-יד דו-צדדיים דו-צדדיים, וכלים עתיקים, אך לקבוע כמה מבוגר הוא אובייקט, או אם הוא באמת שריד אמיתי או זיוף חכם, כבר זמן רב תהליך ידני של מעקב בלתי נראה.היום, אינטליגנציה מלאכותית (AI) הופכת את הארכיאולוגיה וההיסטוריה על-ידי כך שהיא מציעה שיטות מדויקות יותר עבור היכרויות וזיהוי של שיטות חדשות, וזיהוי של שיטות חדשות, וזיהוי של שיטות מתקדמות של שיטות חדשות, וזיהוי של שיטות חדשות, וטכנולוגיות אנושיות, וזיהוי, וזיהוי, וטכנולוגיות טכנולוגיות אלה, כדי לזהות את התכונות של מערכות-AI, כדי לזהות את התכונות הללו, כדי לזהות את התכונות הללו, כדי לזהות את התכונות הללו, וטכנולוגיות טכנולוגיות אלה, וטכנולוגיות בינה מלאכותית, כדי לזהות את התכונות של מערכות-AI, וטכנולוגיות טכנולוגיות אלה, כדי לזהות את התכונות ההיסטוריות, וטכנולוגיות אלה, וטכנולוגיות אלה.

AI ב-Exts היסטורי Artifacts

היכרויות חפצים היא אבן הפינה של מחקר ארכיאולוגי.שיטות מסורתיות כגון היכרויות רדיוקרבן, דננדרוולוגיה, ותרמומננטין שירתו חוקרים היטב במשך עשרות שנים, אבל יש להם מגבלות. רדיוקרבן היכרויות דורש מדגם sizable של חומר אורגני יכול להיות מושפע על ידי זיהום; דנדרונכרולוגיה רק עובד עבור עץ עם טבעות עץ גלוי; thermoluminescence דורש מדידה זהירה של קרינה מאוחסנת.

ניתן לאמן אלגוריתמים של למידת מכונות על אלפי חפצים מחוסנים היטב כדי ללמוד את היחסים העדין בין המאפיינים הפיזיים של האובייקט לבין גילו.לדוגמה, מודל בינה מלאכותית יכול לבחון את ההרכב הכימי של זכוכית עתיקה, את דפוסי הלבוש על כלי אבן, או את האבולוציה הסטייליסטית של קישוטים כלי חרס.על ידי השוואת חפץ חדש למסד נתונים זה, האלגוריתם יכול לייצר הערכה רבת ערך של הגיל שלו, לעתים קרובות עם דיוק זה הוא רק עם מהירות אופיינית.

טכניקות למידה מכונות

כמה גישות למידת מכונה מוחלות על היכרויות. Convolutional רשתות עצביות (CNN), שתוכנן במקור להכרה תמונה, מצטיין בניתוח תכונות חזותיות - כגון תבניות מכחול בציורים, סימני כלי על פני השטח אבן, או את הפטינה על אובייקטים מתכת. רשתות עצביות חוזרות ונשנות (RNN) והופכים את האלגוריתמים לפני כן יכולים מודל נתונים קיימים, כמו שינויים סגנוניים בתאריכים על פני מאות שנים או על פני אלגוריתמים של מודלים דומים של מודלים תרבותיים.

דוגמה משכנעת אחת היא השימוש של CNN עד כה סרטרינים עתיקים.חוקרים באוניברסיטת אוקספורד עיצבו מודל על אלפי תמונות של כלי שיט קרמיקה מאזור הים התיכון.הבינה המלאכותית למדה לקשור מוטיבים דקורטיביים ספציפיים, צורות rim, וצבעי בוהק עם שלבים הכרונולוגיים ידועים - כאשר נבדקו על כלי שיט לא נראים בעבר, המודל שהוקצה הערכות מומחים במעל 90% מהמקרים, ולכן זה עשוי להיות פחות מעודני עבודה, אפילו על ידי סגסוגת עתיקה, או יותר מקבציית, או יותר מקבצי ניירת, או יותר מקבצי ניירת, או יותר מקבצי ניירת, או יותר מקבצי ניירת, אולי, אולי, או יותר מקבצי AI, אולי, או יותר מקבצי ניירת, או יותר מקבצי ניירת, או יותר מקבצי ניירת, או יותר מקבצי ניירת, או יותר מקבצי ניירת, או יותר מקבצי ניירת, או יותר מקבצי ניירת, או יותר מקבצי עבודה, אולי, או יותר מקבצי ניירת, ייתכן שעדיין לא ניתן להתעלם מקבצי ניירת, או יותר מקבצי ניירת, או יותר מקבצי ניירת, או יותר מקבצי ניירת, או יותר מקבצי ניירת, אם כן, אם כן, או יותר

טכניקה מבטיחה נוספת היא רב-ממדית AI, המשלבת נתונים ממקורות שונים.לדוגמה, ספקטרום ראמן של חפץ (טביעת אצבע כימית), סריקת הרזולוציה הגבוהה שלו 3D, והתיאור הטקסטואלי שלה יכול להיות מוזן למודל יחיד. גישה הוליסטית זו מפחיתה את הסיכוי של שגיאות הנגרמות על ידי הסתמכות על תכונה אחת.המודל יכול לעבור אותות שונים, מה שהופך אותו שימושי במיוחד עבור אובייקטים הנמצאים דרך חפירה או פגומים באתר זה יכול לשלב דיוק כגון שילוב נתונים כגון:

מחקרים ב- AI-Assisted היכרויות

מעבר לסרקטי ומטבעות, AI עושה דרכים לצאת עם חומרים אורגניים כמו עצם עץ. צוות במכון מקס פלאנק פיתח מודל למידה עמוק המנתח את שימור הקולגן עצמות עתיקות כדי להעריך את הגיל שלהם, משלימים תוצאות רדיו פחמן.המודל היה מאומן על דגימות מאתרי גיל ידועים, וכעת יכול לחזות טווחים עבור עצמות כי הם מזוהמים מדי עבור פחמן-14 אמיתי, חוקרים אחרים המבוססים על דיוקים על פני 50 שנים של פורמטים עצביים של פורמטים של כדור הארץ.

בעוד שרוד של טורינו נשאר שנוי במחלוקת, שיטות בינה מלאכותית יכולות להיות מיושם באופן תיאורטי על פריטים דומים. במחקרים מבוקרים, AI שימש לנתח את ההרכב הכימי של סיבים פשפשפשים ואת ההפצה של דגנים אבקתיים כדי להעריך גיל. עם זאת, האמינות של תחזיות כאלה תלויה במידה רבה על איכות נתוני האימון.באופן כללי, AI פועל טוב כאשר יש גדול, מבה יתר על פני השטח שנקבע ובודדים, או שיטות אנושיות.

AI in Authenticating Artifacts

Authentication הוא אולי אפילו יותר קריטי מאשר היכרויות.השוק ל העתיקות ואמנות מוצף עם זיוף, כמה מתוחכמת כל כך שהם שוטים אפילו מומחים מנוסים מנוסים. AI מביא התנגדות לזירה הסובייקטיבית הזו על ידי בחינת תכונות שבני אדם לא יכולים לתפוס - או אולי להתעלם. Authenticity אינו רק על גיל; הוא גם כרוך באימות כי חומרים של אובייקט, אומנות, והוכחה מוכחת עם כל הממדים האלה יכול לנתח בו זמנית.

אימות בינה מלאכותית כרוך בדרך כלל שלושה שלבים: רכישת נתונים (למשל, הדמיה ברזולוציה גבוהה, ספקטרוסקופיה, צילומי רנטגן פלואורנס), הפקת תכונה באמצעות למידה מכונה, והשוואה נגד מסד נתונים של פריטים אמיתיים ו מזויפים. האלגוריתם לומד להבחין בין ההבדלים העדין כי יצירות מופת נפרדות מחיקויים. לדוגמה, זה יכול לזהות וריאציות בגודל חלקיקים בציורי הרנסנס, את הכיוון של מברשת שיער מיקרוסקופית או נוכחות מודרנית של אובייקטים הראות של קודמונרומים מודרניים.

טיהור Forgeries

גילוי פורגריי ראה הצלחה יוצאת דופן עם AI.אחד המקרים המדווחים ביותר היה מעורב בציור (FLT:0)Samson ו DelilahveFLT:1 ; אלגוריתם AI שהוכשר על סריקות ברזולוציה גבוהה של יצירות אותנטיות של רובנס זיהה anomalies in the underturning - קווים שנמשכו עם עט מודרני ולא המאה ה-17 quir לאחר ניתוח כימי נוסף שיכול היה לזהות את החמיצות גם לאחר שאפיין.

תחום אחר שבו AI מצטיין הוא ניתוח דפוסי צחצוח.כל אמן יש סגנון ייחודי, תת-מודע שקשה מאוד לחקות.מודלים למידה עמוק יכולים למפות את המרקם תלת-ממדי של צבע ואת הכיוון של שבץ כדי ליצור "סימן" עבור כל אמן.כאשר חשוד עבור גירוי נבדקים, AI יכול להשוות את דפוסי השבץ שלה נגד מיליוני דוגמאות אותנטיות.

AI משמש גם לאמת אובייקטים עתיקים כמו מטבעות, פסלים וכתובים.לדוגמה, חוקרים מאוניברסיטת קליפורניה, לוס אנג'לס פיתחה מערכת המשתמשת בדמיות קוהרנטיות אופטית (OCT) ולמידה מכונה כדי לבחון את האותנטיות של מטבעות עתיקים.הסורק של OCT מגלה פרטים מיקרו-מבנה של המתכת - כגון גבולות דגנים ושכבות קורוזיות - שקשה לשכפל באופן מלאכותי את ה- AIif, לאחר מכן, כלומר, קבוצות טבע של נתונים של אבן מודרנית, או מודלים, כגון קבוצות של קבוצות של קבוצות של קבוצות טבע מודרניות של נתונים של קבוצות של קבוצות פיסול, או פיסול, לדוגמה, לדוגמה, לדוגמה, לדוגמה, על ידי קבוצות פיסול מודרניות של קבוצות פיסול, על ידי קבוצות פיסול, על ידי קבוצות אגדיות, על ידי קבוצות אגדיות, על ידי קבוצות אגדיות, על ידי קבוצות אגדיות, על ידי קבוצות פיסול מודרניות, על ידי קבוצות אגדיות, על ידי קבוצות אגדיות, על ידי קבוצות פיסול רומיאונדוניות, על ידי קבוצות אגדיות, על ידי קבוצות אגדות, על ידי קבוצות פיסול רומיאונדוניות, על ידי קבוצות פיסול מודרניות, על ידי קבוצות פיסול מודרניות, לדוגמה, לדוגמה, לדוגמה,

תפקיד של Spectroscopy ו Imaging

טכניקות ספציפיות-קופטיות כמו ראמן spectroscopy, FTIR (Rier-transform אינפרא אדום spectroscopy), ו- X-ray fluorescence (XRF) מספקים טביעות אצבע כימיות של חפצים. AI יכול לעבד את הספקטרום הזה כדי לזהות חומרים שאינם עקביים עם התקופה הנטען.

הדמיה היפר-ספקטרוםית, שלוכדת מאות להקות ספקטרליות על פני השטח של חפץ, מייצרת נתונים עצומים כי הם מעבר לניתוח אנושי.מודלים של למידת מכונות יכולים להתאמן על תמונות אלה כדי לזהות אזורים של overpainting, שיקום או רישומים מוסתרים המגלים את ההיסטוריה של האובייקט, טכניקה זו שימשה כדי לאמת את ההקרנה העתיקה של מצרים - AI זה כבר מזמן צבוע כדי לחקות טקסט עתיק של אוניברסיטת מימי הביניים.

אתגרים ומגבלות

למרות הבטחתו, AI באימות פריטים ותאריך היכרויות הוא לא כדור כסף.יש אתגרים משמעותיים שנשארו, החל ממגבלות נתונים לחששות אתיות.הבנת מגבלות אלה חיונית לאימוץ אחראי של הטכנולוגיה.

איכות נתונים וזמינות

המגבלות הקריטיות ביותר הן הצורך במאגרי מידע גדולים וממוזגים היטב. להכשיר מודל אמין, אלפי חפצים אותנטיים עם תאריכים ידועים או מוכחות נדרשים. מוזיאונים רבים ואוספים פרטיים אינם מעוניינים לשתף את הנתונים שלהם, או בשל חששות לגבי בטיחות, רכוש אינטלקטואלי, או חשש כי נתונים ציבוריים יכולים לעזור עבור חומרים לא-מקלטיים.

over-Reliance on Technology

יש סכנה כי אוצרים ואספנים יכולים להציב אמון רב מדי בתפוקה של AI מבלי להבין את המגבלות שלהם.מודלים AI יכולים להיות שוטים על ידי דוגמאות רציונאליות - שינויים קלים שנועדו לגרום להתאמה לא נאותה. a savvy forger יכול לנצל את החולשות האלה על ידי, למשל, הוספת כמות קטנה של פיגמנטציה נכונה לאובייקט מודרני כדי לבלבל את AI ספקטרום של AI, תמיד צריך להיות משקף ניתוח כימי.

ביסוס וייצוג

במאסר נתונים של הכשרה יכול להוביל את AI כדי להנציח את אי-שוויון היסטורי.אם מערכת האימונים מכילה בעיקר ממצאים סטטיסטיים גבוהים מתרבויות עשירות, המודל יהיה כנראה פחות מדויק עבור אובייקטים יומיומיים מתרבויות פחות מתועדות.זה יכול לחזק את ההטיה הקולוניאלית כי יש זמן רב ארכיאולוגיה ממגיפה, שבו חפצים של אימפריות חזקות לקבל יותר תשומת לב חוקרים באופן פעיל צריך לחפש נתונים סינתטיים ולפתח טכניקות כדי לטפל בדגימות קטנות או חוסר איזון.

יכולת

מודלים רבים של למידת מכונה, במיוחד רשתות עצביות עמוקות, פועלים כ"קופסאות שחורות" הם יכולים לספק הסתברות או סיווג אבל לא יכול להסביר מדוע הגיעו למסקנה זו.חוסר פרשנות זה הוא בעיה בעולם של אימות אמנות, שבו החלטות יכולות לכלול מיליוני דולרים ומשפיעים על מורשת תרבותית.מוזיאון עשוי להסס לזהות חתיכה מבוססת על מנגנונים של רשתות עצביות של חוקרים, אשר עשויים להשפיע על תכונות של AI או דחיסות מסוימות.

כיוונים עתידיים

שילוב של בינה מלאכותית עם טכנולוגיות אחרות מבטיח אפילו שיטות חזקות יותר עבור היכרויות ואימות. מגמות מתעוררות כמה צפוי להגדיר את העשור הבא של ארכיאולוגיה דיגיטלית אימות אמנות.

Blockchain for Provenance

טכנולוגיית בלוקצ'יין יכולה ליצור רשומות דיגיטליות מוכחות עבור חפצים, קישור תוצאות ניתוח AI לגורם קבוע, ציבורי מובילגר. כאשר חפץ הוא סרוח וניתח על ידי AI, "טביעת אצבע" שלה - a hash של הנתונים סריקה ואת התוצאה האימות - ניתן לאחסן על blockchain.זה הופך את זה הרבה יותר קשה להחליף זיוף לתוך אוסף מוכח של סטארט-אפים כבר לפתח פתרונות כאלה עבור מחסנים, עם קופות מלאכותית, הם יכולים להפחית את הסימולציות משולבות עם קופות.

מסדי נתונים פתוחים ופתוחים

מיזמים כמו "אמנות ו-AI" מחקר קונסורציום פועלים לבניית מסדי נתונים קוד פתוח של פריטים אותנטיים שחוקרים ברחבי העולם יכולים להשתמש בהם כדי להכשיר מודלים.תמונות והנתונים של מוזיאונים, אוניברסיטאות, ואפילו ארכיאולוגים חובבים יכולים לשפר באופן דרמטי את ביצועי AI, במיוחד עבור תרבויות תחת ייצוגיות.המפתח הוא להבטיח שתרומות נתונים מאומתות וסטנדרט פרויקטים כגון: FLTIFLT: למערכות ניהול AI, ככל הנראה, כך שמפתחות יותר מידע שיתופיות יותר, כך שמפתחות יותר, כך שמפתחות יותר, כך שמפתחות יותר, כך שמפתחות יותר ויותר טכנולוגיות בינה מלאכותית.

מודלים של Multimodal Foundation

מערכות בינה מלאכותית עתידיות יכולות להיות בנויות על מודלים גדולים של יסודות לפני סכומים עצומים של טקסט, תמונות והנתונים ספקטרליים.מודלים אלה יכולים להיות מכוונים היטב עבור היכרויות ספציפיות או משימות אימות עם נתונים קטנים יחסית, כמו כמה מודלים שפה גדולים מותאמים לתחומים חדשים.מודלים כאלה יכולים גם לשלב מידע קונטקסטואלי - רשומות היסטוריות, דוחות חפירה ומסמכים מוכחים - כדי לספק הערכה מקיפה יותר עבור מודל אמנותי, אשר אינו יכול לכלול כיום, לדוגמה, על בסיס אמנותי, על בסיס אמנותי, על בסיס מיוחד, אשר יכול לכלול, על בסיס אמנותי, על בסיס של אלפי שנים, אשר יכול לכלול, לדוגמה, אשר יכול לכלול, לדוגמה, על בסיס אמנותי, על בסיס אמנותי, על בסיס אמנותי, על בסיס אמנותי, על בסיס אמנותי, על בסיס אמנותי, על בסיס אמנותי, על בסיס של אמנותי, על בסיס של אמנותי, על בסיס קבוע, אשר יכול גם יכול לכלול גם תכונות אמנותי, על בסיס קבוע של אמנותי, אשר יכול לכלול, לדוגמה, לדוגמה, על בסיס של אמנותי, לדוגמה, על בסיס אמנותי, לדוגמה, על בסיס של אמנותי, לדוגמה, אשר יכול לכלול גם יכול לכלול גם יכול לכלול גם תכונות אמנותי של אמנותי

ניתוח שדה בזמן אמת

מכשירים AI מותאמים לשימוש בתחום, המאפשרים לארכיאולוגים לקבל היכרויות ראשוניות ואותנטיות במהלך החפירה. Handheld Raman spectrometers יחד עם רשתות עצביות device יכול לספק ניתוח כימי מיידי, בעוד כלים אלה עדיין לא מדויקים כמו מערכות מבוסס מעבדה, הם יכולים לעזור עדיפויות אילו פריטים כדי להעביר למחקר מפורט.

שמירה על המורשת התרבותית עם AI אחראי

בעוד ש-AI הופך להיות מוטבע יותר עמוק בארכיאולוגיה ובהיסטוריה האמנות, יש להנחות את השימוש בו.אלגוריסים צריכים להיות נועדו להימנע מחיזוק ההטיות הקולוניאליות או החסינות של חפצים מערביים.התפוקה שלהם צריכה להיות שקוף ובלתי ניתנת לביקורת.והמטרה הסופית צריכה תמיד להיות לשמר ולהבין את הסיפור האנושי המשותף שלנו - לא להחליף את המומחיות של היסטוריונים ותומכים, אלא גם כדי לחזק אותם.

בעשור הקרוב, אנו יכולים לצפות ש-AI תהפוך לכלי סטנדרטי במעבדות המוזיאון, בתי המכירות הפומביות, וחפירה בשטח.הטכנולוגיה שמכירת בפרצופים בתמונות תעזור בקרוב לאמת את הצ'ילה מימי הביניים או לצאת לאמפורה יוונית עתיקה. על ידי אימוץ ההתקדמות הזו תוך שמירה על המגבלות שלהם, נוכל להגן על המורשת התרבותית שלנו – ולהבטיח כי הדורות הבאים יורשו את החפצים והידע הדרוש כדי לפרש אותם.

(ב) ב-[[1924]], מחקר שפורסם בשנת 2019 ב-FLT:0 Nature CommunicationsFial CommunicationsFLT]] 1:1 הראה עד כמה עמוק הלמידה השתפר דיוק היכרויות רדיו פחמן באמצעות ניתוח שכבות של סימנטציה (FLT:2 הקלדה של תקשורת טבע, 2019FLT 3: 3) מאמר נוסף ב-FLT:4 פתוח מציע סוף סוף סוף סוף-סוף את מסד הנתונים של אוניברסיטת מטרופוליטן:5 הראה כיצד למידת מכונות מזהה ציורים ברנסאנס על ידי סימולציה של מחקר סימולציה של מחקר מדעי (F)