Los arqueólogos de la Universidad del Norte de Arizona esperan que una nueva tecnología que ayudaron a ser pionera cambie la forma en que los científicos estudian las piezas rotas que dejaron las sociedades antiguas.

El equipo del Departamento de Antropología de NAU ha logrado enseñar a las computadoras a realizar una tarea compleja con la que muchos científicos que estudian sociedades antiguas han soñado durante mucho tiempo:clasificar rápida y consistentemente miles de diseños de cerámica en múltiples categorías estilísticas. Mediante el uso de una forma de aprendizaje automático conocida como redes neuronales convolucionales (CNN), los arqueólogos crearon un método computarizado que emula aproximadamente los procesos de pensamiento de la mente humana al analizar la información visual.

"Ahora, utilizando fotografías digitales de cerámica, Las computadoras pueden lograr lo que solía involucrar cientos de horas de tedioso, trabajo minucioso y agotador de los arqueólogos que clasificaron físicamente piezas de cerámica rota en grupos, en una fracción del tiempo y con mayor consistencia, "dijo Leszek Pawlowicz, profesorado adjunto del Departamento de Antropología. Él y el profesor de antropología Chris Downum comenzaron a investigar la viabilidad de usar una computadora para clasificar con precisión piezas de cerámica rotas. conocido como tiestos, en tipos de cerámica conocidos en 2016. Los resultados de su investigación se informan en la edición de junio de la publicación revisada por pares Revista de ciencia arqueológica .

"En muchos de los miles de sitios arqueológicos esparcidos por el suroeste de Estados Unidos, Los arqueólogos a menudo encontrarán fragmentos rotos de cerámica conocidos como tiestos. Muchos de estos tiestos tendrán diseños que se pueden clasificar en categorías estilísticas previamente definidas, llamados 'tipos, 'que se han correlacionado tanto con el período de tiempo general en el que se fabricaron como con los lugares donde se fabricaron, ", Dijo Downum. Estos proporcionan a los arqueólogos información crítica sobre el tiempo en que se ocupó un sitio, el grupo cultural con el que estaba asociado y otros grupos con los que interactuaba ".

La investigación se basó en avances recientes en el uso del aprendizaje automático para clasificar imágenes por tipo, específicamente las CNN. Las CNN son ahora un pilar en el reconocimiento de imágenes por computadora, se utiliza para todo, desde imágenes de rayos X para afecciones médicas e imágenes coincidentes en motores de búsqueda hasta automóviles autónomos. Pawlowicz y Downum razonaron que si las CNN se pueden usar para identificar cosas como razas de perros y productos que podrían gustarle a un consumidor, ¿Por qué no aplicar este enfoque al análisis de la cerámica antigua?

Hasta ahora, el proceso de reconocer las características del diseño de diagnóstico en la cerámica ha sido difícil y ha llevado mucho tiempo. Podría involucrar meses o años de entrenamiento para dominar y aplicar correctamente las categorías de diseño a pequeños pedazos de una olla rota. Peor, el proceso era propenso al error humano porque los arqueólogos expertos a menudo no están de acuerdo sobre qué tipo está representado por un fragmento, y podrían tener dificultades para expresar su proceso de toma de decisiones con palabras. Un revisor anónimo del artículo llamó a esto "el sucio secreto de la arqueología del que nadie habla lo suficiente".

Decididos a crear un proceso más eficiente, Pawlowicz y Downum reunieron miles de fotografías de fragmentos de cerámica con un conjunto específico de características físicas identificativas, conocido como Tusayan White Ware, común en gran parte del noreste de Arizona y estados cercanos. Luego, reclutaron a cuatro de los mejores expertos en cerámica del suroeste para identificar el tipo de diseño de cerámica para cada fragmento y crear un 'conjunto de entrenamiento' de fragmentos del cual la máquina puede aprender. Finalmente, entrenaron a la máquina para aprender los tipos de alfarería centrándose en los especímenes de alfarería con los que los arqueólogos estaban de acuerdo.

"Los resultados fueron notables, ", Dijo Pawlowicz." En un período de tiempo relativamente corto, la computadora se entrenó a sí misma para identificar la cerámica con una precisión comparable a, y a veces mejor que, los expertos humanos ".

Para los cuatro arqueólogos con décadas de experiencia clasificando decenas de miles de fragmentos de vasijas reales, la máquina superó a dos de ellos y era comparable con los otros dos. Aún más impresionante, la máquina fue capaz de hacer aquello con lo que muchos arqueólogos pueden tener dificultades:Describir por qué tomó las decisiones de clasificación que tomó. Usando mapas de calor codificados por colores de tiestos, la máquina señaló las características de diseño que utilizó para tomar sus decisiones de clasificación, proporcionando así un registro visual de sus "pensamientos".

"Un resultado interesante de este proceso fue la capacidad de la computadora para encontrar coincidencias casi exactas de fragmentos particulares de diseños de cerámica representados en tiestos individuales, ", Dijo Downum." Usando medidas de similitud derivadas de CNN para diseños, la máquina pudo buscar entre miles de imágenes para encontrar la contraparte más similar de un diseño de cerámica individual ".

Pawlowicz y Downum creen que esta habilidad podría permitir que una computadora encuentre pedazos dispersos de una sola olla rota en una multitud de tiestos similares de un basurero antiguo o realizar un análisis regional de similitudes y diferencias estilísticas entre múltiples comunidades antiguas. El enfoque también podría ser más capaz de asociar diseños de cerámica particulares de estructuras excavadas que han sido fechadas utilizando el método de anillos de árboles.

Su investigación ya está recibiendo grandes elogios.

"Espero fervientemente que los arqueólogos del suroeste adopten este enfoque y lo hagan rápidamente. Tiene mucho sentido, "dijo Stephen Plog, profesor emérito de arqueología en la Universidad de Virginia y autor del libro "Variación estilística en la cerámica prehistórica". "Aprendimos mucho del antiguo sistema, pero ha durado más allá de su utilidad, y es hora de transformar la forma en que analizamos los diseños cerámicos ".

Los investigadores están explorando aplicaciones prácticas de la experiencia en clasificación del modelo de CNN y están trabajando en artículos de revistas adicionales para compartir la tecnología con otros arqueólogos. Esperan que este nuevo enfoque del análisis arqueológico de la cerámica se pueda aplicar a otros tipos de artefactos antiguos, y que la arqueología puede entrar en una nueva fase de clasificación de máquinas que resulte en una mayor eficiencia de los esfuerzos arqueológicos y métodos más efectivos para enseñar diseños de cerámica a las nuevas generaciones de estudiantes.