人類學系兼職教師Leszek Pawlowicz說:“現在,使用陶器的數字照片,計算機可以完成過去考古學傢用物理方式將破碎的陶器碎片分門別類的數百個小時的繁瑣、痛苦和耗費眼力的工作,而時間隻需一小部分,而且一致性更高。”他和人類學教授Chris Downum在2016年開始研究使用計算機將破碎的陶器碎片(稱為碎片)準確分類到已知的陶器類型的可行性。他們的研究結果在6月份的同行評議刊物《考古學科學雜志》上進行瞭報道。
“在散佈於美國西南部的成千上萬的考古遺址中,考古學傢經常會發現被稱為碎片的陶器碎片。”Downum說:“這些碎片中的許多都有設計,可以分為先前定義的風格類別,稱為‘類型’,與它們制造的一般時間段和制造地點相關聯。這些為考古學傢提供瞭關於一個遺址被占領的時間、與之相關的文化群體以及與之互動的其他群體的關鍵信息。”
這項研究依賴於最近在使用機器學習按類型對圖像進行分類方面的突破,特別是卷積神經網絡。卷積神經網絡現在是計算機圖像識別的主流,被用於從醫療條件的X射線圖像和搜索引擎中的圖像匹配到自動駕駛汽車的一切。Pawlowicz和Downum推斷,如果卷積神經網絡可以用來識別諸如狗的品種和消費者可能喜歡的產品,為什麼不把這種方法用於分析古代陶器呢?
到目前為止,識別陶器上的診斷性設計特征的過程是困難和耗時的。要掌握並正確地將設計類別應用於破碎的陶器上,可能需要幾個月或幾年的訓練。更糟的是,這個過程很容易出現人為錯誤,因為考古專傢經常對一個陶器所代表的類型意見不一,而且可能發現很難用語言表達他們的決策過程。這篇文章的一位匿名同行評論員稱這是“考古學中沒有人談及的骯臟秘密”。
Pawlowicz和Downum決心創造一個更有效的過程,他們收集瞭數千張陶器碎片的照片,這些碎片具有一套特定的識別物理特征,被稱為Tusayan White Ware,在亞利桑那州東北部和附近各州很常見。然後,他們招募瞭四位西南地區的頂級陶器專傢,以確定每個碎片的陶器設計類型,並創建一個碎片的“訓練集”,機器可以從中學習。最後,他們訓練機器通過專註於考古學傢們同意的陶器標本來學習陶器類型。
Pawlowicz說:“結果是顯著的。在相對較短的時間內,計算機訓練自己識別陶器,其準確性與人類專傢相當,有時甚至更好。”
對於四位擁有數十年分類數萬件實際陶器經驗的考古學傢來說,機器的表現超過瞭其中兩位,與另外兩位相當。更令人印象深刻的是,機器能夠做到許多考古學傢難以做到的事情:描述它為什麼會做出這樣的分類決定。使用彩色編碼的碎片熱圖,機器指出瞭它用來做出分類決定的設計特征,從而提供瞭一個關於其“想法”的視覺記錄。
Downum說:“這個過程的一個令人興奮的衍生品是計算機能夠找到幾乎完全匹配個別碎片上的陶器設計的特定片段的能力。使用卷積神經網絡衍生的設計相似性措施,機器能夠在成千上萬的圖像中搜索,以找到個別陶器設計的最相似的對應物。”
Pawlowicz和Downum認為這種能力可以讓計算機在古代垃圾場的眾多類似碎片中找到散落的單個破罐,或者對多個古代社區的風格相似性和差異進行全區域分析。這種方法還可以更好地將出土建築中的特定陶器設計聯系起來,這些建築已經用樹環法測定瞭年代。
他們的研究已經得到瞭高度評價。“我熱切地希望西南地區的考古學傢們能夠采用這種方法,並盡快采用。”弗吉尼亞大學考古學榮譽教授、《史前陶瓷的風格變化》一書的作者Stephen Plog說:“這實在是太有意義瞭。我們從舊的系統中學到瞭很多東西,但它已經超過瞭它的用途,現在是時候改變我們分析陶瓷設計的方式瞭。”
研究人員正在探索卷積神經網絡模型的分類專業知識的實際應用,並正在撰寫更多的期刊文章,與其他考古學傢分享該技術。他們希望這種對陶器進行考古分析的新方法能夠應用於其他類型的古代文物,並希望考古學能夠進入機器分類的新階段,從而提高考古工作的效率,並為新一代學生提供更有效的陶器設計教學方法。