Arkeologer vid Northern Arizona University hoppas att en ny teknik som de hjälpte pionjären kommer att förändra hur forskare studerar de trasiga bitarna som lämnats efter av forntida samhällen.

Teamet från NAU:s institution för antropologi har lyckats lära datorer att utföra en komplex uppgift som många forskare som studerar forntida samhällen länge har drömt om:att snabbt och konsekvent sortera tusentals keramikdesigner i flera stilkategorier. Genom att använda en form av maskininlärning som kallas Convolutional Neural Networks (CNNs), arkeologerna skapade en datoriserad metod som grovt efterliknar det mänskliga sinnets tankeprocesser vid analys av visuell information.

"Nu, använda digitala fotografier av keramik, datorer kan åstadkomma vad som brukade innebära hundratals timmar av tråkigt, mödosamt och ansträngande arbete av arkeologer som fysiskt sorterade bitar av trasig keramik i grupper, på en bråkdel av tiden och med större konsistens, sa Leszek Pawlowicz, adjungerad fakultet vid institutionen för antropologi. Han och antropologiprofessorn Chris Downum började undersöka möjligheten att använda en dator för att korrekt klassificera trasiga keramikbitar, känd som skärvor, till kända keramiktyper 2016. Resultaten av deras forskning redovisas i juninumret av den peer-reviewed publikationen Journal of Archaeological Science .

"På många av de tusentals arkeologiska platserna utspridda över sydvästra USA, arkeologer hittar ofta trasiga fragment av keramik som kallas skärvor. Många av dessa skärvor kommer att ha design som kan sorteras i tidigare definierade stilkategorier, kallas 'typer, som har korrelerats med både den allmänna tidsperioden de tillverkades och de platser där de tillverkades, "Downum sa. "Dessa ger arkeologer kritisk information om den tid en plats var ockuperad, den kulturella gruppen som den var förknippad med och andra grupper som de interagerade med."

Forskningen förlitade sig på de senaste genombrotten i användningen av maskininlärning för att klassificera bilder efter typ, specifikt CNN. CNN är nu en stöttepelare i datorbildigenkänning, används för allt från röntgenbilder för medicinska tillstånd och matchande bilder i sökmotorer till självkörande bilar. Pawlowicz och Downum resonerade att om CNN kan användas för att identifiera saker som hundraser och produkter som en konsument skulle kunna gilla, varför inte tillämpa detta tillvägagångssätt på analysen av antik keramik?

Tills nu, Processen att känna igen diagnostiska designegenskaper på keramik har varit svår och tidskrävande. Det kan innebära månader eller år av träning för att bemästra och korrekt tillämpa designkategorierna på små bitar av en trasig gryta. Värre, processen var benägen till mänskliga fel eftersom expertarkeologer ofta är oense om vilken typ som representeras av en skärv, och kan ha svårt att uttrycka sin beslutsprocess i ord. En anonym sakkunnig granskare av artikeln kallade detta "den smutsiga hemligheten inom arkeologi som ingen pratar tillräckligt om."

Fast besluten att skapa en mer effektiv process, Pawlowicz och Downum samlade tusentals bilder av keramikfragment med en specifik uppsättning identifierande fysiska egenskaper, känd som Tusayan White Ware, vanligt i stora delar av nordöstra Arizona och närliggande stater. De rekryterade sedan fyra av Southwests främsta keramikexperter för att identifiera keramikdesigntypen för varje skärvar och skapa en "träningsuppsättning" av skärvor som maskinen kan lära sig av. Till sist, de tränade maskinen att lära sig keramiktyper genom att fokusera på de keramikexemplar som arkeologerna enades om.

"Resultaten var anmärkningsvärda, ", sa Pawlowicz. "På en relativt kort tidsperiod, datorn tränade sig själv att identifiera keramik med en noggrannhet jämförbar med och ibland bättre än, mänskliga experter."

För de fyra arkeologerna med årtionden av erfarenhet av att sortera tiotusentals verkliga krukskärvor, maskinen överträffade två av dem och var jämförbar med de andra två. Ännu mer imponerande, maskinen kunde göra det som många arkeologer kan ha svårt med:Att beskriva varför den tog de klassificeringsbeslut som den gjorde. Med hjälp av färgkodade värmekartor över skärvor, maskinen påpekade designegenskaperna som den använde för att fatta sina klassificeringsbeslut, och tillhandahåller därigenom en visuell registrering av dess "tankar".

"En spännande spinoff av denna process var datorns förmåga att hitta nästan exakta matchningar av speciella bitar av keramikdesign representerade på enskilda skärvor, ", sa Downum. "Med CNN-härledda likhetsmått för design, maskinen kunde söka igenom tusentals bilder för att hitta den mest liknande motsvarigheten till en individuell keramikdesign."

Pawlowicz och Downum tror att den här förmågan kan tillåta en dator att hitta spridda bitar av en enda trasig kruka i en mängd liknande skärvor från en gammal soptipp eller genomföra en regionövergripande analys av stilistiska likheter och skillnader mellan flera gamla samhällen. Tillvägagångssättet kan också bättre kunna associera särskilda keramikdesigner från utgrävda strukturer som har daterats med trädringmetoden.

Deras forskning får redan mycket beröm.

"Jag hoppas innerligt att sydvästra arkeologer kommer att anta detta tillvägagångssätt och göra det snabbt. Det är bara så vettigt, " sa Stephen Plog, emeritus professor i arkeologi vid University of Virginia och författare till boken "Stylistic Variation In Prehistoric Ceramics". "Vi lärde oss massor av det gamla systemet, men det har varat bortom dess användbarhet, och det är dags att förändra hur vi analyserar keramiska mönster."

Forskarna undersöker praktiska tillämpningar av CNN-modellens klassificeringsexpertis och arbetar på ytterligare tidskriftsartiklar för att dela tekniken med andra arkeologer. De hoppas att denna nya metod för arkeologisk analys av keramik kan tillämpas på andra typer av antika artefakter, och att arkeologi kan gå in i en ny fas av maskinklassificering som resulterar i större effektivitet av arkeologiska ansträngningar och effektivare metoder för att lära ut keramikdesign till nya generationer av studenter.