Os arqueólogos da Northern Arizona University esperam que uma nova tecnologia que ajudaram a criar mude a maneira como os cientistas estudam os pedaços quebrados deixados para trás por sociedades antigas.

A equipe do Departamento de Antropologia da NAU teve sucesso em ensinar computadores a realizar uma tarefa complexa que muitos cientistas que estudam sociedades antigas sonhavam há muito tempo:classificar de forma rápida e consistente milhares de designs de cerâmica em várias categorias estilísticas. Usando uma forma de aprendizado de máquina conhecida como Redes Neurais Convolucionais (CNNs), os arqueólogos criaram um método computadorizado que emula aproximadamente os processos de pensamento da mente humana na análise de informações visuais.

"Agora, usando fotografias digitais de cerâmica, computadores podem realizar o que costumava envolver centenas de horas de tedioso, trabalho meticuloso e extenuante de arqueólogos que classificaram fisicamente os pedaços de cerâmica quebrada em grupos, em uma fração do tempo e com maior consistência, "disse Leszek Pawlowicz, docente adjunto do Departamento de Antropologia. Ele e o professor de antropologia Chris Downum começaram a pesquisar a viabilidade de usar um computador para classificar com precisão os pedaços de cerâmica quebrados, conhecidos como fragmentos, em tipos de cerâmica conhecidos em 2016. Os resultados de sua pesquisa são relatados na edição de junho da publicação revisada por pares Journal of Archaeological Science .

"Em muitos dos milhares de sítios arqueológicos espalhados pelo sudoeste americano, os arqueólogos costumam encontrar fragmentos quebrados de cerâmica, conhecidos como cacos. Muitos desses fragmentos terão designs que podem ser classificados em categorias estilísticas previamente definidas, chamados 'tipos, 'que foram correlacionados com o período de tempo geral em que foram fabricados e os locais onde foram feitos, "Downum disse." Eles fornecem aos arqueólogos informações críticas sobre o tempo em que um local foi ocupado, o grupo cultural com o qual estava associado e outros grupos com os quais interagiam. "

A pesquisa contou com avanços recentes no uso de aprendizado de máquina para classificar imagens por tipo, especificamente CNNs. CNNs são agora um pilar no reconhecimento de imagens de computador, sendo usado para tudo, desde imagens de raios-X para condições médicas e imagens correspondentes em mecanismos de pesquisa a carros autônomos. Pawlowicz e Downum argumentaram que, se as CNNs podem ser usadas para identificar coisas como raças de cães e produtos que um consumidor pode gostar, por que não aplicar essa abordagem à análise da cerâmica antiga?

Até agora, o processo de reconhecimento de características de projeto de diagnóstico em cerâmica tem sido difícil e demorado. Pode envolver meses ou anos de treinamento para dominar e aplicar corretamente as categorias de design a pequenos pedaços de um pote quebrado. Pior, o processo estava sujeito a erro humano porque arqueólogos especialistas frequentemente discordam sobre qual tipo é representado por um fragmento, e pode achar difícil expressar seu processo de tomada de decisão em palavras. Um revisor anônimo do artigo chamou isso de "o segredo sujo em arqueologia sobre o qual ninguém fala o suficiente".

Determinado a criar um processo mais eficiente, Pawlowicz e Downum reuniram milhares de fotos de fragmentos de cerâmica com um conjunto específico de características físicas de identificação, conhecido como Tusayan White Ware, comum em grande parte do nordeste do Arizona e estados próximos. Eles então recrutaram quatro dos maiores especialistas em cerâmica do sudoeste para identificar o tipo de design de cerâmica para cada caco e criar um 'conjunto de treinamento' de cacos com o qual a máquina pode aprender. Finalmente, eles treinaram a máquina para aprender os tipos de cerâmica, concentrando-se nos espécimes de cerâmica com os quais os arqueólogos concordaram.

"Os resultados foram notáveis, "Pawlowicz disse." Em um período de tempo relativamente curto, o computador se treinou para identificar a cerâmica com uma precisão comparável a, e às vezes melhor do que, os especialistas humanos. "

Para os quatro arqueólogos com décadas de experiência separando dezenas de milhares de fragmentos de cerâmica reais, a máquina superou dois deles e foi comparável com os outros dois. Ainda mais impressionante, a máquina foi capaz de fazer o que muitos arqueólogos podem ter dificuldade em:Descrever por que tomou as decisões de classificação que fez. Usando mapas de calor codificados por cores de fragmentos, a máquina apontou as características de design que usou para tomar suas decisões de classificação, fornecendo assim um registro visual de seus "pensamentos".

"Um resultado empolgante desse processo foi a capacidade do computador de encontrar correspondências quase exatas de fragmentos específicos de designs de cerâmica representados em fragmentos individuais, "Downum disse." Usando medidas de similaridade derivadas da CNN para projetos, a máquina foi capaz de pesquisar em milhares de imagens para encontrar a contrapartida mais semelhante de um design de cerâmica individual. "

Pawlowicz e Downum acreditam que essa habilidade pode permitir que um computador encontre pedaços espalhados de uma única panela quebrada em uma infinidade de fragmentos semelhantes de um antigo depósito de lixo ou conduza uma análise regional de semelhanças e diferenças estilísticas entre várias comunidades antigas. A abordagem também pode ser mais capaz de associar projetos de cerâmica específicos de estruturas escavadas que foram datadas usando o método de anéis de árvore.

A pesquisa deles já está recebendo muitos elogios.

"Espero fervorosamente que os arqueólogos do sudoeste adotem essa abordagem e o façam rapidamente. Faz muito sentido, "disse Stephen Plog, professor emérito de arqueologia da University of Virginia e autor do livro "Stylistic Variation In Prehistoric Ceramics". "Aprendemos muito com o sistema antigo, mas durou além de sua utilidade, e é hora de transformar a forma como analisamos projetos de cerâmica. "

Os pesquisadores estão explorando as aplicações práticas da experiência de classificação do modelo da CNN e estão trabalhando em artigos de periódicos adicionais para compartilhar a tecnologia com outros arqueólogos. Eles esperam que esta nova abordagem para a análise arqueológica da cerâmica possa ser aplicada a outros tipos de artefatos antigos, e que a arqueologia pode entrar em uma nova fase de classificação de máquina que resulta em maior eficiência dos esforços arqueológicos e métodos mais eficazes de ensino de projetos de cerâmica para novas gerações de alunos.