Table of Contents

Как машинное обучение меняет наш взгляд на прошлое

Машинное обучение, подмножество искусственного интеллекта, стало все более важным инструментом для историков и археологов. Обрабатывая огромные наборы данных, выходящие далеко за рамки человеческих возможностей, эти алгоритмы помогают реконструировать утраченные культуры, заполнять пробелы в поврежденных артефактах и даже расшифровывать сценарии, которые оставались нечитаемыми на протяжении веков. Результатом является более точная, основанная на данных картина древних цивилизаций, которая бросает вызов давним предположениям и открывает новые пути исследования.

Традиционная археология опирается на тщательные раскопки, физические артефакты и письменные записи — все это может быть неполным, деградированным или предвзятым по отношению к определенным социальным классам или регионам. Модели машинного обучения, обученные на примерах из известных контекстов, могут идентифицировать тонкие узоры в фрагментах керамики, камня или кости, а затем экстраполировать для создания более полных реконструкций. Эта технология не заменяет человеческий опыт; вместо этого она дополняет его, позволяя исследователям задавать вопросы, которые ранее было непрактично преследовать.

Источники данных для машинного обучения в археологии

Успех любого приложения машинного обучения зависит от качества и количества данных.В археологии данные поступают из самых разных источников, каждый со своими проблемами и возможностями.

Базы данных физических артефактов

Музеи и университеты по всему миру оцифровали миллионы артефактов — от керамических осколков и чеканки до инструментов и надписей. Эти изображения, наряду с связанными с ними метаданными (местоположение, дата, материал, стиль), формируют наборы обучения для алгоритмов классификации. Например, сверточные нейронные сети (CNN) могут научиться различать керамические стили, разделенные веками с высокой точностью, помогая археологам более точно датировать слои. Музей Пибоди в Гарварде выпустил наборы изображений открытого доступа к керамике Майя, специально предназначенные для обучения моделей ML для типологии.

Спутниковые и аэрофотосъемки

Спутниковые снимки высокого разрешения, данные LiDAR и фотографии беспилотников обеспечивают обзор ландшафтов с высоты птичьего полета. Модели машинного обучения, обученные известным археологическим особенностям, таким как поднятые поля, террасы или курганы, могут сканировать обширные области, чтобы найти скрытые места, которые было бы невозможно обнаружить на земле. Этот подход был особенно эффективен в густонаселенных районах, таких как Амазонка и Юго-Восточная Азия, где древние поселения похоронены под толстым навесом. Недавний проект в Камбодже использовал CNN на LiDAR для идентификации более 1000 ранее неизвестных храмов вокруг Ангкор-Ват (] Отчет BBC .

Экологические и климатические рекорды

Ледяные керны, кольца деревьев, отложения озер и образцы пыльцы содержат богатую информацию о прошлом климате. Машинное обучение может соотносить эти косвенные записи с подъемом и падением цивилизаций, помогая исследователям понять, как засуха, наводнения или извержения вулканов повлияли на коллапс общества или миграцию. Исследование, опубликованное в ]Nature Communications, использовало машинное обучение для анализа данных о климате за 5000 лет и обнаружило прочную связь между резкими климатическими сдвигами и крупными культурными переходами на Ближнем Востоке , читайте исследование .

Текстовая капра и надписи

Древние тексты, будь то на глиняных табличках, папирусе или камне, представляют собой уникальную проблему, потому что многие из них фрагментированы, выцветли или написаны нерасшифрованными скриптами. Модели машинного обучения, особенно те, которые используют обработку естественного языка (NLP), могут анализировать распределение знаков, предлагать возможные чтения и даже генерировать правдоподобные переводы. Скрипт ] скрипт долины Инда является заметным примером, где алгоритмы были применены, чтобы попытаться разблокировать смысл. Аналогично, модели трансформаторов использовались для реконструкции отсутствующих отрывков из поврежденных греческих надписей на Гейдельбергской эпиграфической базе данных .

Древняя ДНК и органические остатки

Более новый источник данных — древняя ДНК, извлеченная из костей, зубов и осадков. Машинное обучение может анализировать генетические последовательности для отслеживания моделей миграции, смешения населения и распространенности заболеваний в древности. Например, в исследовании 2022 года использовались случайные лесные классификаторы для идентификации предков людей, похороненных в неолитических гробницах по всей Европе, что показало, что многие сообщества были гораздо более генетически разнообразны, чем предполагалось ранее.

Ключевые алгоритмы и методы

Хотя термин «машинное обучение» охватывает множество подходов, некоторые конкретные методы особенно ценны для задач реконструкции в археологии.

Свёрточные нейронные сети (CNN)

CNNs преуспевают в распознавании изображений и использовались для классификации типов керамики, идентификации знаков инструментов и даже обнаружения древних граффити на стенах. Исследователи из Университета Южной Калифорнии обучили CNN тысячам изображений глифов майя, достигая более высокой точности, чем человеческие эксперты, в сопоставлении частичных глифов с известными ( см. статью ). Это ускоряет трудоемкий процесс эпиграфического чтения.

Генеративные состязательные сети (GAN)

GAN состоят из двух конкурирующих сетей: одна генерирует новые данные, а другая судит о ее подлинности. В археологии GAN могут реконструировать поврежденные области артефактов или заполнять недостающие части текстов. Например, GAN, обученный полным римским надписям, может предсказать недостающие буквы на сломанной табличке с замечательной точностью, позволяя историкам восстанавливать целые посвящения или юридические документы. Та же техника была применена к фрагментам фресок из Помпеи, создавая правдоподобные продолжения цвета и рисунка для фресок, разрушенных извержением Везувия.

Рекуррентные нейронные сети (RNN) и трансформаторы

Для последовательных данных, таких как язык, RNN и модели трансформаторов (архитектура позади GPT) могут моделировать вероятность одного знака, следующего за другим. Это было использовано для расшифровки нерасшифрованных сценариев путем сравнения последовательностей знаков с известными языками. Недавний проект в MIT использовал трансформатор для идентификации шаблонов в линейном сценарии A, который остается нерасшифрованным, предполагая, что он может представлять раннюю форму минойского греческого языка (].

Сокращение кластеризации и размерности

Неконтролируемые методы обучения, такие как кластеризация k-средств или t-SNE, могут группировать похожие артефакты без предварительных меток. Это помогает археологам обнаруживать ранее незамеченные стилистические группы или торговые связи. Например, кластерный анализ обсидиановых инструментов по всему Средиземноморью показал, что некоторые источники вулканического стекла торговались на гораздо более дальних расстояниях, чем считалось, что указывает на сложные сети обмена. Аналогичным образом, кластеризация предметов захоронения в неолитическом Китае идентифицировала различные социальные иерархии, которые были невидимы только из могильной ориентации.

Усиление обучения для планирования раскопок

Новое приложение использует обучение с подкреплением для оптимизации стратегий раскопок. Путем моделирования стоимости и вероятности нахождения артефактов в различных ячейках сетки, агент RL может предложить наиболее эффективный план копания. Проект RoboArch в Кембридже тестирует этот подход для сокращения времени и бюджета, необходимых для крупномасштабных раскопок, при минимизации ущерба хрупким структурам.

Тематические исследования: машинное обучение в действии

Помимо широко цитируемого примера сценария долины Инда, несколько других проектов иллюстрируют силу этих методов.

Реконструкция древней Амазонки

В течение десятилетий ученые полагали, что тропические леса Амазонки были малонаселенными до европейского контакта, только с небольшими кочевыми группами. Однако анализ данных машинного обучения LiDAR выявил массивные геоглифы, террасированные холмы и дорожные сети, скрытые под навесом. Исследование 2023 года в Наука использовало CNN для сканирования более 5000 квадратных километров изображений, идентифицируя более 200 ранее неизвестных земляных работ, включая укрепленные деревни и церемониальные площади .

Читать углеродные свитки из Геркуланума

В древнеримском городе Геркуланум, похороненном Везувием в 79 году нашей эры, сотни папирусных свитков были карбонизированы в хрупкие, неоткрытые блоки. Машинное обучение использовалось для фактического «раскрутки» этих свитков путем анализа КТ. Vesuvius Challenge предложил приз первой команде за чтение текста с использованием ИИ, а в 2023 году команде удалось извлечь читаемые греческие буквы из обожженного рулона Покрытие New York Times. Этот прорыв обещает восстановить утраченные философские работы, включая возможные тексты эпикурейского философа Филодема.

Оригинальное название: Maya Urban Layouts

Модели машинного обучения, обученные на данных LiDAR из низменностей майя, выявили тысячи жилых структур, дамб и водохранилищ, которые были невидимы для традиционного обследования. Анализ моделей поселений предполагает, что крупные города, такие как Тикал и Калакмул, были частью непрерывного городского разрастания, а не изолированных городов-государств, изменяя наше понимание политической организации майя. Исследование 2024 года использовало графовые нейронные сети для моделирования торговых путей между этими поселениями, показывая, что у майя была взаимосвязанная рыночная экономика, которая соперничала с современной цивилизацией Старого Света.

Расшифровка Эгейского бронзового века

Линейный B, сценарий микенского греческого языка, был расшифрован в 1950-х годах человеческим криптоанализом. Однако машинное обучение с тех пор используется для реконструкции сломанных табличек из Пилоса и Кносса. Команда Оксфордского университета обучила байесовскую модель последовательности идеограмм и силлабограмм, чтобы предложить правдоподобные реставрации административных записей. Их модель успешно заполняла 80% отсутствующих символов на тестовых фрагментах, позволяя историкам читать инвентарные списки для колесниц, специй и текстиля, которые считались потерянными навсегда.

Проблемы и ограничения

Несмотря на свои обещания, машинное обучение в археологии сталкивается с серьезными препятствиями, которые требуют пристального внимания.

Качество данных и предубеждения

Большинство археологических данных поступает из хорошо финансируемых раскопок в Европе и на Ближнем Востоке, создавая предвзятость в учебных наборах. Алгоритмы, обученные итальянской керамике, могут плохо работать на андских судах. Аналогичным образом, если учебный набор включает только элитные захоронения, модель может неправильно идентифицировать более обычные домохозяйства как неархеологические. Исследователи должны активно искать разнообразные наборы данных и тестировать модели в разных регионах, чтобы избежать искаженных результатов. Такие инициативы, как платформа Open Context, направлены на предоставление более репрезентативных данных из недопредставленных регионов, таких как Африка к югу от Сахары и острова Тихого океана.

Проблема черного ящика

Многие модели глубокого обучения работают как «черные ящики» — они дают точные результаты, но дают мало понимания того, почему. Для археологии интерпретируемость имеет решающее значение. Если модель идентифицирует участок земли как вероятное место захоронения, археологам необходимо понять особенности, которые она использовала (обесцвечивание почвы? растительные узоры?), чтобы оценить прогноз. объяснимые методы ИИ (XAI) разрабатываются для решения этой проблемы, но они еще не являются стандартными. Такие методы, как SHAP (SHapley Additive exPlanations) и тепловые карты Grad-CAM начинают применяться к археологическим CNN, позволяя исследователям видеть, какие пиксели привели к решению.

Фрагментированные и шумные данные

Археологические данные реального мира часто неполны, выветрились или смешиваются с современным мусором. Модели машинного обучения, которые ожидают чистого ввода, могут потерпеть неудачу, когда сталкиваются с этими условиями. Методы увеличения данных, такие как искусственное добавление трещин или обесцвечивание обучающих изображений, помогают моделям стать более надежными, но они не могут полностью компенсировать недостающую информацию. Обучение передаче, где модель, предварительно обученная общим данным изображения, точно настроена на археологических примерах, показала перспективу в обращении с переменным освещением и перспективой.

Этические и имущественные соображения

Кто владеет цифровыми реконструкциями, производимыми машинным обучением? Если алгоритм генерирует правдоподобный перевод древнего текста, создает ли это новые авторские права? Если серьезно, машинное обучение может быть использовано для создания убедительных подделок — поддельных надписей или артефактов — которые могут обмануть даже экспертов. Археологи и ученые данных должны сотрудничать, чтобы установить стандарты происхождения и проверки. В качестве способа обеспечения подлинности исследуется отслеживание цифровых моделей артефактов на основе блокчейна. Кроме того, многие коренные общины утверждают, что цифровые копии священных объектов не должны свободно распространяться; проекты машинного обучения должны участвовать в содержательных консультациях с группами потомков.

Будущие направления: интеграция с 3D и VR

Следующий рубеж — это объединение машинного обучения с иммерсивными технологиями для создания интерактивных реконструкций древних сред. Уже сейчас исследователи из UCLA использовали GAN для генерации фотореалистичных 3D-моделей египетских гробниц из горстки эталонных фотографий. При сопряжении с гарнитурами виртуальной реальности эти модели позволяют пользователям проходить через восстановленный в цифровом виде храм, каким он появился бы 3000 лет назад.

Такие реконструкции — не просто образовательные инструменты; они также могут помочь проверить гипотезы. Например, имитируя свет и звук при реконструкции шарового корта майя, археологи могут оценить, были ли акустические особенности специально разработаны для ритуальных выступлений. Интеграция машинного обучения с 3D-моделированием обещает сделать древние цивилизации доступными способами, ранее ограниченными музейными диорамами. В 2024 году консорциум Heritage3D запустил совместное хранилище 3D-моделей, генерируемых ML, с сайтов по всему миру, в комплекте с метаданными об уровнях доверия и данными обучения.

Сотрудничество – это ключ

Для реализации полного потенциала машинного обучения в реконструкции древних цивилизаций должны сломаться силосы между дисциплинами. Археологам необходимо понять основы науки о данных, а компьютерщикам нужно оценить нюансы контекстов раскопок. Растет количество совместных полевых школ, общих баз данных и хранилищ кода с открытым исходным кодом, но финансирование такой междисциплинарной работы остается скудным.

Такие организации, как Археологическая служба данных и Институт изучения древнего мира , возглавляют усилия по стандартизации форматов данных и продвижению использования ИИ в этических целях. По мере расширения этих ресурсов сотрудничество между гуманистами и технологами будет продолжать раскрывать истории, давно похороненные под песком, почвой и временем.

Машинное обучение не заменяет осторожную руку археолога или интуицию историка. Вместо этого оно предлагает мощную линзу, через которую можно более ясно увидеть прошлое — ту, которая может находить закономерности в огромном шуме и вдыхать жизнь в сломанные, тихие объекты. Цивилизации, которые строили пирамиды, вписанные глиняные таблички и резные гигантские каменные головы, снова говорят с нами, и мы наконец-то учимся слушать.