La ricerca di comprendere il nostro passato si basa fortemente sugli artefatti lasciati alle spalle – frammenti di ceramica, manoscritti sbiaditi e strumenti antichi. Ma determinare esattamente quanto sia vecchio un oggetto, o se sia una vera reliquia o una furba forgery, è da tempo un processo manuale sofferente. Oggi, l'intelligenza artificiale (AI) sta trasformando l'archeologia e la storia dell'arte offrendo metodi più veloci e accurati per la datazione e l'arte di artefattistica.

AI in Incontri Artifici Storici

I metodi tradizionali come datazione al radiocarbonio, dendrocronologia e termoluminescenza hanno servito gli studiosi per decenni, ma hanno limitazioni. La datazione al radiocarbonio richiede un campione sizable di materiale organico e può essere influenzata dalla contaminazione; la dendrocronologia funziona solo per legno con anelli arborei visibili; la termoluminescenza richiede un'attenta misurazione delle radiazioni memorizzate.

Gli algoritmi di apprendimento automatico possono essere formati su migliaia di manufatti ben datati per imparare le sottili relazioni tra le caratteristiche fisiche di un oggetto e la sua età. Ad esempio, un modello AI può esaminare la composizione chimica del vetro antico, i modelli di usura su strumenti di pietra, o l'evoluzione stilistica delle decorazioni di ceramica.

Tecniche di apprendimento della macchina

Diversi approcci di apprendimento automatico sono applicati alla datazione. Reti neurali convoluzionali (CNN), originariamente progettati per il riconoscimento delle immagini, eccellere nell'analisi di caratteristiche visive - come i modelli di pennello in dipinti, segni di utensili su superfici di pietra, o la patina su oggetti metallici. Recurrent reti neurali (RNNs) e trasformatori possono modellare dati sequenziali, come i cambiamenti stilistici nelle illuminazioni manoscritte nel corso dei secoli o l'evoluzione dei disegni di monete attraverso i gruppi di archi.

I ricercatori dell'Università di Oxford hanno formato un modello su migliaia di immagini di vasi ceramici della regione mediterranea. L'AI ha imparato ad associare specifici motivi decorativi, forme di cerchio, e smalti colori con note fasi cronologiche. Quando testato su navi precedentemente invisibili, il modello assegnato le date che corrispondono a valutazioni di esperti in oltre il 90% dei casi, e lo ha fatto in secondi piuttosto che le ore di un esperto cinese.

Un’altra tecnica promettente è l’AI multimodale, che combina dati provenienti da diverse fonti. Ad esempio, lo spettro Raman di un artefatto (impronta chimica), la sua scansione 3D ad alta risoluzione, e la sua descrizione testuale può essere alimentata in un unico modello. Questo approccio olistico riduce la possibilità di errori causati da una sola caratteristica. Il modello può cross-validate segnali diversi, rendendolo particolarmente utile per gli oggetti che sono danneggiati o hanno subito dati archeologici.

Studi di casi in AI-Assisted Incontri

Oltre alla ceramica e alle monete, l'IA sta facendo degli instradamenti nella datazione di materiali organici come ossa e legno. Un team del Max Planck Institute ha sviluppato un modello di apprendimento profondo che analizza la conservazione del collagene nelle ossa antiche per stimare la loro età, completando i risultati del radiocarbonio. Il modello è stato addestrato su campioni di siti di età noti e può ora prevedere intervalli di età per ossa che sono troppo contaminati per affidabile carbon-14 incontri.

Mentre la Sindone di Torino rimane controversa, i metodi AI potrebbero teoricamente essere applicati a oggetti simili. Negli studi controllati, l'IA è stata utilizzata per analizzare la composizione chimica delle fibre di lino e la distribuzione dei grani di polline per stimare l'età. Tuttavia, l'affidabilità di tali previsioni dipende fortemente dalla qualità dei dati di formazione. In generale, l'AI data funziona meglio quando c'è un grande, ben compreso riferimento impostato dalla stessa regione e oggetti tradizionali.

AI nell'Autenticazione di manufatti

L’autenticità è forse ancora più critica rispetto alla datazione. Il mercato delle antichità e dell’arte è inondato di forgeries, alcuni così sofisticati che ingannano anche esperti esperti esperti di stagione. L’intelligenza artificiale porta l’oggettività a questa arena soggettiva esaminando caratteristiche che gli esseri umani non possono percepire – o potrebbero trascurare. L’autenticità non è solo circa l’età; inoltre comporta la verifica che i materiali, l’artigianato e la provenienza sono coerenti con la provenienza.

L'autenticazione AI comporta in genere tre passaggi: l'acquisizione dei dati (ad esempio, l'imaging ad alta risoluzione, la spettroscopia, la fluorescenza a raggi X), l'estrazione tramite l'apprendimento automatico, e un confronto con un database di oggetti genuini e forgiati. L'algoritmo impara a distinguere tra le sottili differenze che separano i capolavori dalle imitazioni.

Rilevamento delle Forgeries

Un algoritmo di intelligenza artificiale formato da scansioni ad alta risoluzione di autentici lavori Rubens identificati anomalie nel sottofondo, linee che erano state tracciate con una penna moderna piuttosto che un quill del XVII secolo, come ha sottolineato il dipinto.

Un’altra area dove l’intelligenza artificiale eccelle analizza i modelli di pennellata. Ogni artista ha uno stile unico e subconscio che è estremamente difficile da imitare. I modelli di apprendimento profondo possono mappare la texture tridimensionale di impasto e la direzionalità dei colpi per creare una “segnatura” per ogni artista. Quando un presunto forger è testato, l’AI può confrontare i suoi modelli di ictus contro milioni di esempi autentici.

L'AI è anche usata per verificare oggetti antichi come monete, sculture e manoscritti. Ad esempio, i ricercatori dell'Università della California, Los Angeles ha sviluppato un sistema che utilizza tomografia ottica di coerenza (OCT) e machine learning per testare l'autenticità delle monete antiche. La scansione OCT rivela i dettagli microstrutturali del metallo, come i confini del grano e gli strati di corrosione, che sono difficili da replicare artificialmente.

Ruolo di spettroscopia e di imaging

Le tecniche spettroscopiche come la spettroscopia Raman, FTIR (fotscopia a raggi infrarossi), e la fluorescenza a raggi X (XRF) forniscono impronte chimiche di manufatti. L'IA può elaborare questi spettri per identificare materiali che sono in contrasto con l'era rivendicata. Per esempio, se un dipinto del XV secolo contiene un pigmento che non è stato inventato fino al XIX secolo, i modelli AI possono contrassegnare.

Iperspectral imaging, che cattura centinaia di bande spettrali attraverso la superficie di un artefatto, genera enormi dataset che sono al di là dell’analisi umana. I modelli di apprendimento automatico possono formare su queste immagini per identificare aree di sovrapposizione, restauro, o schizzi nascosti che rivelano la storia di un oggetto. Questa tecnica è stata utilizzata per autenticare i papiri egiziani antichi - l’AI ha rilevato un’aggiunta di inchio moderno che era stata dipinta per imitare la scrittura antica.

Sfide e limitazioni

Nonostante la sua promessa, l'IA nell'autenticazione artefatti e la datazione non è un proiettile d'argento. Molte sfide significative rimangono, che vanno dai vincoli di dati alle preoccupazioni etiche. Capire questi limiti è essenziale per l'adozione responsabile della tecnologia.

Qualità e disponibilità dei dati

Per formare un modello affidabile, sono necessari migliaia di manufatti autenticati con date o provenienza note. Molti musei e collezioni private sono riluttanti a condividere i loro dati, sia a causa di preoccupazioni sulla sicurezza, la proprietà intellettuale, o la paura che i dati pubblici potrebbero aiutare le falsificazioni. Inoltre, i dataset esistenti spesso contengono pregiudizi, possono ignorare l'arte da alcune regioni o periodi poveri.

Over-Reliance sulla tecnologia

C'è un pericolo che i curatori e i collezionisti possano mettere troppa fiducia nelle uscite AI senza comprendere i loro limiti. I modelli AI possono essere ingannati da esempi avversari: modifiche leggere progettate per causare la disgregazione. Un falso esperto potrebbe potenzialmente sfruttare queste debolezze, ad esempio, aggiungendo una piccola quantità di un pigmento corretto di epoca ad un oggetto moderno per confondere la genialità spettroscopica AI.

Bias e Rappresentanza

Se il set di formazione contiene per lo più artefatti di alto livello da civiltà ricche, il modello sarà probabilmente meno accurato per gli oggetti di uso quotidiano da culture meno documentate. Questo può rafforzare il bias coloniale che ha a lungo colpito archeologia, dove gli artefatti di potenti imperi ricevono più attenzione. I ricercatori devono cercare attivamente diversi dataset e sviluppare tecniche per gestire piccoli o disequilibrati gruppi di dati.

Interpretazione

Molti modelli di apprendimento automatico, in particolare reti neurali profonde, operano come “scatole nere”. Possono fornire una probabilità o una classificazione, ma non possono facilmente spiegare perché hanno raggiunto questa conclusione. Questa mancanza di interpretazione è un problema nel mondo di autenticazione ad alto livello, dove le decisioni possono coinvolgere milioni di dollari e influenzare il patrimonio culturale. Un museo può esitare a deaccessione di un pezzo prezioso basato sul verdetto opaco della rete.

Le direzioni future

L'integrazione dell'AI con altre tecnologie promette metodi ancora più robusti per la datazione e l'autenticazione. Diversi trend emergenti sono probabilmente per definire il prossimo decennio di archeologia digitale e verifica dell'arte.

Blockchain per la vendetta

La tecnologia blockchain può creare record digitali a prova di manomissione per gli artefatti, collegando i risultati dell’analisi dell’IA a un registro permanente e pubblico. Quando un artefatto viene scansionato e analizzato dall’IA, il suo “impronta digitale”—un hash dei dati di scansione e il risultato di autenticazione—può essere memorizzato su un blockchain.

Databases e Open Crowdsourced

Le iniziative come il consorzio di ricerca “Art & AI” stanno lavorando per costruire database open source di artefatti autenticati che i ricercatori di tutto il mondo possono utilizzare per formare i modelli. Crowdsourcing immagini e dati da musei, università, e anche archeologi amatoriali potrebbero migliorare notevolmente le prestazioni dell’IA, soprattutto per le culture sottorappresentate.

Modelli della Fondazione Multimodal

I futuri sistemi AI possono essere costruiti su grandi modelli di base pre-trainati su vaste quantità di testo, immagini e dati spettrali. Questi modelli potrebbero essere ottimizzati per specifiche attività di datazione o autenticazione con relativamente piccoli set di dati, molto simile a quanto i modelli di lingua di grandi dimensioni sono adattati per nuovi domini. Tali modelli potrebbero anche incorporare informazioni contestuali— record storici, report di scavo e documenti di provenienza—per fornire una valutazione più completa.

Analisi del campo in tempo reale

Gli strumenti di intelligenza artificiale portatili sono in fase di sviluppo per l'uso nel campo, permettendo agli archeologi di ottenere preventivi preliminari di datazione e autenticità durante lo scavo.Gli spettrometri Raman palmari accoppiati con reti neurali on-device possono fornire analisi chimiche istantanee. Mentre questi strumenti non sono ancora così precisi come i sistemi basati su laboratorio, possono aiutare a prioritizzare quali artefatti trasportare per uno studio dettagliato.

Conservare i beni culturali con l'AI responsabile

L'intelligenza artificiale deve essere concepita per evitare di rafforzare le biasi coloniali o privilegiare gli artefatti occidentali. I loro risultati dovrebbero essere trasparenti e verificabili. E l'obiettivo ultimo dovrebbe essere quello di preservare e comprendere la nostra storia umana condivisa, non sostituire l'esperienza degli storici e dei conservatori, ma di renderli accessibili.

Nel prossimo decennio, ci si può aspettare che l'IA diventi uno strumento standard nei laboratori museali, nelle case d'asta e negli scavi sul campo. La stessa tecnologia che riconosce i volti nelle foto aiuterà presto ad autenticare un calice medievale o ad uscire da un'antica anfora greca.

I lettori che cercano ulteriori esplorazioni, uno studio del 2019 in ]Le comunicazioni della natura] hanno dimostrato come l’apprendimento profondo migliora la datazione al radiocarbonio analizzando gli strati dei sedimenti (Le comunicazioni della natura, 2019] Un altro articolo che descrive i dati archeologici