Hoe machine leren is het opnieuw vormgeven van onze visie op het verleden

Machine learning, een subset van kunstmatige intelligentie, is uitgegroeid tot een steeds belangrijker hulpmiddel voor historici en archeologen. Door het verwerken van enorme datasets ver buiten de menselijke capaciteit, deze algoritmes helpen verloren culturen te reconstrueren, vullen gaten in beschadigde artefacten, en zelfs ontcijfer scripts die onleesbaar zijn gebleven voor eeuwen. Het resultaat is een nauwkeuriger, data-gedreven beeld van oude beschavingen die lange-held aannames uitdagen en opent nieuwe wegen van onderzoek.

Traditionele archeologie steunt op zorgvuldige opgraving, fysieke artefacten en geschreven verslagen . . die allemaal kunnen worden onvolledig, gedegradeerd, of bevooroordeeld naar bepaalde sociale klassen of regio's. Machine learning modellen, opgeleid op voorbeelden uit bekende contexten, kunnen subtiele patronen in fragmenten van aardewerk, steen, of bot, identificeren en vervolgens extrapoleren om meer volledige reconstructies te genereren. Deze technologie niet vervangen menselijke expertise; in plaats daarvan, het vergroot het, zodat onderzoekers vragen die voorheen onpraktisch waren te stellen.

Gegevensbronnen voor machine learning in de archeologie

Het succes van elke machine learning applicatie hangt af van de kwaliteit en kwantiteit van de gegevens. In de archeologie, gegevens komen uit een breed scala van bronnen, elk met zijn eigen uitdagingen en kansen.

Fysieke artefactdatabases

Musea en universiteiten over de hele wereld hebben gedigitaliseerd miljoenen artefacten . . Van aardewerk scherven en munten tot gereedschappen en inscripties. Deze beelden, samen met bijbehorende metadata (locatie, datum, materiaal, stijl), vormen de training sets voor classificatie algoritmen. Bijvoorbeeld, convolutionele neurale netwerken (CNNs) kunnen leren om onderscheid te maken tussen keramische stijlen gescheiden door eeuwen met hoge nauwkeurigheid, helpen archeologen datum lagen nauwkeuriger. Het Peabody Museum op Harvard] heeft vrijgegeven open-access beeldsets van Maya aardewerk speciaal ontworpen om ML-modellen voor typologie te trainen.

Satelliet- en luchtbeeldbeelden

Hoge resolutie satellietbeelden, LiDAR-gegevens en dronefoto's bieden een vogel-ogen-zicht van landschappen. Machine learning modellen opgeleid op bekende archeologische kenmerken . . , zoals verhoogde velden, terrassen, of begraafplaatsen . . kan enorme gebieden te scannen om verborgen sites die onmogelijk te detecteren op de grond te vinden zou zijn . Deze aanpak is bijzonder effectief geweest in dicht beboste gebieden zoals de Amazone en Zuidoost-Azië , waar oude nederzettingen worden begraven onder dikke luifel . Een recent project in Cambodja gebruikt een CNN op LiDAR om meer dan 1.000 voorheen onbekende tempels rond Angkor Wat identificeren (BBC rapport[).

Milieu- en klimaatgegevens

IJskernen, boomringen, sedimenten van meer en stuifmeelmonsters bevatten rijke informatie over klimaats in het verleden. Machine learning kan deze proxy-records correleren met de opkomst en val van beschavingen, zodat onderzoekers begrijpen hoe droogte, overstromingen of vulkaanuitbarstingen maatschappelijke ineenstorting of migratie beïnvloedden. Een studie gepubliceerd in Nature Communications gebruikte machine learning om 5000 jaar klimaatgegevens te analyseren en vond sterke verbanden tussen abrupte klimaatverschuivingen en grote culturele overgangen in het Nabije Oosten (). Lees de studie[).

Tekstuele korporaal en inscripties

Oude teksten, of het nu op kleitabletten, papyrus of steen is, vormen een unieke uitdaging omdat velen gefragmenteerd, vervaagd of geschreven zijn in ongedefinieerde scripts. Machine learning modellen, vooral die met behulp van natuurlijke taalverwerking (NLP), kunnen de distributie van tekens analyseren, mogelijke lezingen suggereren en zelfs plausibele vertalingen genereren. Het Indus Valley script is een opmerkelijk voorbeeld waar algoritmen zijn toegepast om de betekenis te ontgrendelen. Evenzo zijn transformatormodellen gebruikt om ontbrekende passages van beschadigde Griekse inscripties op de Heidelberg Epigraphic Database[] te reconstrueren.

Oude DNA en organische resten

Een nieuwere databron is oud DNA gewonnen uit botten, tanden en sedimenten. Machine learning kan genetische sequenties analyseren om migratiepatronen, populatie mixing en ziekteprevalentie in de oudheid te traceren. Bijvoorbeeld, een 2022 studie gebruikt willekeurige bos classifiers om voorouderlijke oorsprongen van personen begraven in Neolithische graftombes in heel Europa te identificeren, waaruit blijkt dat veel gemeenschappen veel genetisch diverser waren dan eerder aangenomen (Cell article).

Sleutelalgoritmen en technieken

Hoewel de term "machine learning" veel benaderingen omvat, zijn een paar specifieke technieken bijzonder waardevol voor wederopbouwtaken in de archeologie.

Convolutional Neural Networks (CNNs)

CNNs blinken uit in beeldherkenning en zijn gebruikt om aardewerksoorten te classificeren, gereedschapssporen te identificeren en zelfs oude graffiti op muren te detecteren. Onderzoekers aan de Universiteit van Zuid-Californië trainden een CNN op duizenden afbeeldingen van Maya-glyphs, waardoor ze een hogere nauwkeurigheid bereikten dan menselijke experts in het koppelen van gedeeltelijke glyphen aan bekende (]zie het papier). Dit versnelt het arbeidsintensieve proces van epigrafische lezing.

Generatieve adverteerders (gans)

GAN's bestaan uit twee concurrerende netwerken: de ene genereert nieuwe gegevens en de andere beoordeelt de authenticiteit ervan. In de archeologie kunnen GAN's beschadigde gebieden van artefacten reconstrueren of ontbrekende delen van teksten invullen. Bijvoorbeeld, een GAN getraind op volledige Romeinse inscripties kan de ontbrekende letters voorspellen op een gebroken tablet met opmerkelijke trouw, waardoor historici hele toewijdingen of juridische documenten kunnen herstellen. Dezelfde techniek is toegepast op muurfragmenten van Pompeii die plausibele kleur en patroon voortzettingen voor fresco's die door de Vesuvius uitbarsting zijn vernietigd.

Recurrent Neural Networks (RNNs) en Transformers

Voor sequentiële gegevens zoals taal, RNN's en transformatormodellen (de architectuur achter GPT) kan de waarschijnlijkheid van het ene teken na het andere modelleren. Dit is gebruikt om ongedefinieerde scripts te ontcijferen door tekensequenties te vergelijken met bekende talen. Een recent project bij MIT gebruikte een transformator om patronen in het Lineaire A-script te identificeren, dat ongedefinieerd blijft, wat suggereert dat het een vroege vorm van Minoïsch Grieks kan vertegenwoordigen (MIT Technology Review article). Transformers helpen ook om de Ugaritisch en Oud Perzisch cuneiform corpora te reconstrueren.

Clustering en Dimensionaliteitsreductie

Onbeheerste leermethoden zoals k-means clustering of t-SNE kunnen vergelijkbare artefacten groeperen zonder voorafgaande labels. Dit helpt archeologen bij het ontdekken van eerder onopgemerkte stilistische groepen of handelsverbindingen. Zo bleek bijvoorbeeld clustering analyse van obsidiaan tools in de Middellandse Zee dat bepaalde vulkanische glasbronnen werden verhandeld over veel langere afstanden dan gedacht, wat wijst op complexe uitwisselingsnetwerken. Evenzo, clustering van begrafenisgoederen in Neolithicum China geïdentificeerd verschillende sociale hiërarchieën die onzichtbaar waren van graf oriëntatie alleen.

Versterking van het leren voor de opgravingsplanning

Een nieuwe toepassing gebruikt versterking leren om opgraving strategieën te optimaliseren. Door de kosten en waarschijnlijkheid van het vinden van artefacten in verschillende rastercellen te simuleren, kan een RL agent suggereren het meest efficiënte graafplan. Het RoboArch project in Cambridge test deze aanpak om de tijd en budget die nodig zijn voor grootschalige opgravingen te verminderen terwijl schade aan kwetsbare structuren wordt beperkt.

Case Studies: Machine learning in Actie

Naast het veel geciteerde Indus Valley script voorbeeld, illustreren verschillende andere projecten de kracht van deze technieken.

Reconstructie van de oude Amazone

Gedurende decennia geloofden wetenschappers dat het Amazone regenwoud schaars was voordat Europa contact had met slechts kleine, nomadische groepen. Echter, machine learning analyse van LiDAR gegevens heeft enorme geoglyphen, terrassen heuvels en wegen netwerken verborgen onder het bladerdak aangetoond. Een 2023 studie in Wetenschap] gebruikte een CNN om meer dan 5000 vierkante kilometer beelden te scannen, waarbij meer dan 200 voorheen onbekende aardse werken werden geïdentificeerd, waaronder versterkte dorpen en ceremoniële plaza's ().]Bekijk de studie[]). Dit is een stimulans voor het verhaal van de Amazone als een ongerepte wildernis.

Het lezen van gecarboniseerde rollen van Herculaneum

In het oude Romeinse stadje Herculaneum, begraven door Vesuvius in 79 na Christus, werden honderden papyrusrollen gecarboniseerd tot breekbare, onopenbare blokken. Machine learning is gebruikt om deze rollen vrijwel "uit te rollen" door het analyseren van CT-scans. De Vesuvius Challenge] bood een prijs voor het eerste team om tekst te lezen met behulp van AI, en in 2023, een team erin geslaagd om leesbare Griekse brieven uit een verschroeide rol te halen (New York Times coverage[]). Deze doorbraak belooft verloren filosofische werken te herstellen, inclusief mogelijke teksten van de Epicure filosoof Philodemus.

Maya Urban lay-outs in kaart brengen

Machine learning modellen getraind op LiDAR gegevens uit de Maya laaglanden hebben geïdentificeerd duizenden woonstructuren, oorzaken, en reservoirs die onzichtbaar waren voor traditionele enquête. Analyse van nederzettingspatronen suggereert dat grote steden zoals Tikal en Calakmul deel uitmaakten van een continue stedelijke uitgestrektheid in plaats van geïsoleerde stadsstaten, waardoor ons begrip van de politieke organisatie Maya opnieuw vorm kreeg. Een 2024 studie gebruikte grafische neurale netwerken om handelsroutes tussen deze nederzettingen te modelleren, waaruit bleek dat de Maya een onderling verbonden markteconomie had die de hedendaagse beschavingen van de oude wereld (PNAS papier) had.

Decoderen van de bronstijd Egeïsche Zee

Lineaire B, het script van Mycenaeër Grieks, werd ontcijferd in de jaren 1950 door menselijke cryptanalyse. Echter, machine learning is sindsdien gebruikt om gebroken tabletten van Pylos en Knossos reconstrueren. Een team aan de Universiteit van Oxford opgeleid een Bayesian model op de sequenties van ideogrammen en syllagrams voor te stellen plausibele restauraties van administratieve dossiers. Hun model succesvol ingevuld in 80% van de ontbrekende karakters op testfragmenten, waardoor historici inventarislijsten voor wagens, specerijen en textiel die werden verondersteld verloren te lezen.

Uitdagingen en beperkingen

Ondanks zijn belofte, machine learning in archeologie geconfronteerd met ernstige hindernissen die zorgvuldige aandacht vereisen.

Kwaliteit van gegevens en Bias

De meeste archeologische gegevens komen van goed gefinancierde opgravingen in Europa en het Nabije Oosten, waardoor een vooringenomenheid in trainingssets ontstaat. Algoritmes die op Italiaans aardewerk zijn opgeleid kunnen slecht presteren op Andesschepen. Ook als een trainingsset alleen elite begrafenissen omvat, kan het model de gewone huishoudens verkeerd identificeren als niet-archeologisch. Onderzoekers moeten actief diverse datasets en testmodellen zoeken in verschillende regio's om scheefgetrokken resultaten te vermijden. Initiatieven zoals het Open Context] platform streven ernaar om meer representatieve gegevens te verstrekken uit ondervertegenwoordigde regio's zoals sub-Sahara Afrika en de Pacifische eilanden.

Black Box-probleem

Veel diep leren modellen werken als "zwarte dozen" .Ze produceren nauwkeurige resultaten, maar bieden weinig inzicht in waarom. Voor archeologie, interpreteerbaarheid is cruciaal. Als een model identificeert een stuk grond als een waarschijnlijke begraafplaats, archeologen moeten begrijpen de functies die het gebruikt (bodemverkleuring? vegetatiepatronen?) om de voorspelling te evalueren. Uitlegbare AI (XAI) methoden worden ontwikkeld om dit aan te pakken, maar ze zijn nog niet standaard. Technieken zoals SHAP (Shapley Additive exPlanations) en Grad-CAM warmtekaarten worden toegepast op archeologische CNNs, waardoor onderzoekers te zien welke pixels dreef de beslissing.

Gefragmenteerde en lawaaierige gegevens

Real-world archeologische gegevens zijn vaak onvolledig, verweerd of gemengd met moderne puin. Machine learning modellen die verwachten schone input kan mislukken wanneer ze geconfronteerd met deze voorwaarden. Data augmentation technieken . . zoals kunstmatig toevoegen van scheuren of verkleuringen aan de training beelden . Help modellen worden robuuster, maar ze kunnen niet volledig compenseren voor ontbrekende informatie. Transfer leren, waar een model voorgetraind op algemene beeldgegevens is verfijnd op archeologische voorbeelden, heeft getoond belofte in de behandeling van variabele verlichting en perspectief.

Ethische en eigendomsoverwegingen

Wie bezit de digitale reconstructies geproduceerd door machine learning? Als een algoritme genereert een plausibele vertaling van een oude tekst, maakt dat nieuwe copyright? Serieus, machine learning kan worden gebruikt om overtuigende vervalsingen te genereren . valse inscripties of artefacten . . die zelfs deskundigen kunnen misleiden. Archeologen en data wetenschappers moeten samenwerken om normen voor herkomst en verificatie vast te stellen. Blockchain-gebaseerde tracking van digitale artefact modellen wordt onderzocht als een manier om authenticiteit te garanderen. Bovendien, veel inheemse gemeenschappen beweren dat digitale replica's van heilige objecten niet vrij verspreid moeten worden; machine learning projecten moeten deelnemen aan zinvol overleg met nakomers groepen.

Toekomstige aanwijzingen: Integratie met 3D en VR

De volgende grens is het combineren van machine learning met meeslepende technologieën om interactieve reconstructies van oude omgevingen te maken. Reeds, onderzoekers bij UCLA hebben GAN's gebruikt om fotorealistische 3D-modellen van Egyptische graftombes te genereren uit een handvol referentiefoto's. Wanneer gekoppeld met virtual reality headsets, deze modellen kunnen gebruikers lopen door een digitaal gerestaureerde tempel zoals het zou zijn verschenen 3000 jaar geleden.

Dergelijke reconstructies zijn niet alleen educatieve instrumenten; ze kunnen ook helpen bij het testen van hypothesen. Bijvoorbeeld, door licht en geluid te simuleren in een reconstructie van een Maya balveld, kunnen archeologen beoordelen of akoestische kenmerken bewust ontworpen zijn voor rituele prestaties. De integratie van machine learning met 3D modeling belooft oude beschavingen toegankelijk te maken op manieren die voorheen beperkt waren tot museum diorama's.In 2024, lanceerde het Heritage3D consortium[] een gedeelde repository van ML-gegenereerde 3D modellen van sites over de hele wereld, compleet met metagegevens over betrouwbaarheidsniveaus en trainingsgegevens.

Samenwerking is belangrijk

Om het volledige potentieel van machine learning in het reconstrueren van oude beschavingen te realiseren, moeten silo's tussen disciplines afbreken. Archeologen moeten de basisprincipes van data science begrijpen, en computerwetenschappers moeten de nuances van opgraving contexten waarderen. Gezamenlijke veldscholen, gedeelde databases en open-source code repositories groeien, maar financiering voor dergelijke interdisciplinaire werk blijft schaars.

Organisaties als de Archeologie Data Service en het Institute for the Study of the Ancient World leiden inspanningen om dataformaten te standaardiseren en ethisch AI-gebruik te bevorderen. Naarmate deze bronnen zich uitbreiden, zal de samenwerking tussen humanisten en technologen verhalen blijven onthullen die lang onder zand, bodem en tijd zijn begraven.

Machine learning vervangt niet de zorgvuldige hand van de archeoloog of de intuïtie van de historicus. In plaats daarvan biedt het een krachtige lens waardoor het verleden duidelijker te zien . . een die patronen in immense lawaai kan vinden en leven in gebroken, stille objecten ademen. De beschavingen die bouwde piramides, gegraveerde klei tabletten, en gesneden reusachtige stenen hoofden spreken weer tot ons, en we zijn eindelijk leren om te luisteren.