Les archéologues mettent au point une nouvelle technologie pour trier la poterie ancienne

Une «rivière» de tessons de Tusayan White Ware, montrant le changement dans les dessins de caractères du plus ancien à gauche au plus jeune à droite. L’apprentissage en profondeur permet une catégorisation précise et répétable de ces types de tessons. Crédits: Chris Downum

Les archéologues de l’Université du nord de l’Arizona espèrent qu’une nouvelle technologie qu’ils ont aidé à pionnier changera la façon dont les scientifiques étudient les morceaux brisés laissés par les sociétés anciennes.

L’équipe du département d’anthropologie de la NAU a réussi à enseigner aux ordinateurs une tâche complexe dont de nombreux scientifiques qui étudient les sociétés anciennes rêvent depuis longtemps: trier rapidement et systématiquement des milliers de dessins de poterie en plusieurs catégories stylistiques. En utilisant une forme d’apprentissage automatique connue sous le nom de réseaux de neurones convolutionnels (CNN), les archéologues ont créé une méthode informatisée qui émule à peu près les processus de pensée de l’esprit humain dans l’analyse des informations visuelles.

«Désormais, à l’aide de photographies numériques de poterie, les ordinateurs peuvent accomplir ce qui impliquait auparavant des centaines d’heures de travail fastidieux, laborieux et exigeant de la part des archéologues qui triaient physiquement les morceaux de poterie cassés en groupes, en une fraction du temps et avec une plus grande cohérence. », A déclaré Leszek Pawlowicz, professeur adjoint au Département d’anthropologie. Lui et le professeur d’anthropologie Chris Downum ont commencé à rechercher la faisabilité d’utiliser un ordinateur pour classer avec précision les morceaux de poterie cassés, appelés tessons, en types de poterie connus en 2016. Les résultats de leurs recherches sont rapportés dans le numéro de juin de la publication évaluée par les pairs. Journal of Archaeological Science.

«Sur plusieurs des milliers de sites archéologiques disséminés dans le sud-ouest américain, les archéologues trouveront souvent des fragments brisés de poterie connus sous le nom de tessons. Beaucoup de ces tessons auront des dessins qui peuvent être triés dans des catégories stylistiques préalablement définies, appelées «types», qui ont été corrélés à la fois à la période de temps générale où ils ont été fabriqués et aux lieux où ils ont été fabriqués », a déclaré Downum. «Celles-ci fournissent aux archéologues des informations essentielles sur le temps d’occupation d’un site, le groupe culturel avec lequel il était associé et les autres groupes avec lesquels ils ont interagi.»

La recherche s’est appuyée sur des avancées récentes dans l’utilisation de l’apprentissage automatique pour classer les images par type, en particulier les CNN. Les CNN sont maintenant un pilier de la reconnaissance d’images par ordinateur, étant utilisés pour tout, des images aux rayons X pour des conditions médicales et des images correspondantes dans les moteurs de recherche aux voitures autonomes. Pawlowicz et Downum ont estimé que si les CNN peuvent être utilisés pour identifier des choses comme les races de chiens et les produits qu’un consommateur pourrait aimer, pourquoi ne pas appliquer cette approche à l’analyse de la poterie ancienne?

Jusqu’à présent, le processus de reconnaissance des caractéristiques de conception diagnostique sur la poterie a été difficile et long. Cela pourrait impliquer des mois ou des années de formation pour maîtriser et appliquer correctement les catégories de conception à de minuscules morceaux d’un pot cassé. Pire encore, le processus était sujet à l’erreur humaine parce que les archéologues experts sont souvent en désaccord sur le type représenté par un tesson et pourraient avoir du mal à exprimer leur processus de prise de décision avec des mots. Un examinateur anonyme de l’article a appelé cela «le sale secret de l’archéologie dont personne ne parle assez».

Déterminés à créer un processus plus efficace, Pawlowicz et Downum ont rassemblé des milliers d’images de fragments de poterie avec un ensemble spécifique de caractéristiques physiques d’identification, connues sous le nom de Tusayan White Ware, communes dans une grande partie du nord-est de l’Arizona et des États voisins. Ils ont ensuite recruté quatre des meilleurs experts en poterie du Sud-Ouest pour identifier le type de conception de poterie pour chaque tesson et créer un «  ensemble d’entraînement  » de tessons à partir desquels la machine peut apprendre. Enfin, ils ont formé la machine à apprendre les types de poterie en se concentrant sur les spécimens de poterie sur lesquels les archéologues se sont mis d’accord.

«Les résultats ont été remarquables», a déclaré Pawlowicz. «En un laps de temps relativement court, l’ordinateur s’est entraîné à identifier la poterie avec un précision comparable à, et parfois meilleur que, les experts humains. »

Pour les quatre archéologues ayant des décennies d’expérience dans le tri de dizaines de milliers de tessons de poterie réels, la machine a surpassé deux d’entre eux et était comparable aux deux autres. Encore plus impressionnant, la machine a été capable de faire ce que de nombreux archéologues peuvent avoir du mal: décrire pourquoi elle a pris les décisions de classification qu’elle a prises. À l’aide de cartes thermiques à code couleur des tessons, la machine a souligné les caractéristiques de conception qu’elle utilisait pour prendre ses décisions de classification, fournissant ainsi un enregistrement visuel de ses «pensées».

«Une retombée passionnante de ce processus a été la capacité de l’ordinateur à trouver des correspondances presque exactes d’extraits particuliers de dessins de poterie représentés sur des tessons individuels», a déclaré Downum. «En utilisant des mesures de similarité dérivées de CNN pour les dessins, la machine a pu rechercher parmi des milliers d’images pour trouver la contrepartie la plus similaire d’un dessin de poterie individuel.»

Pawlowicz et Downum pensent que cette capacité pourrait permettre à un ordinateur de trouver des morceaux épars d’un seul pot cassé dans une multitude de tessons similaires provenant d’un ancien dépotoir ou de mener une analyse à l’échelle de la région des similitudes et des différences stylistiques entre plusieurs communautés anciennes. L’approche pourrait également être mieux en mesure d’associer des conceptions de poterie particulières à partir de structures excavées qui ont été datées en utilisant la méthode de l’anneau d’arbre.

Leurs recherches sont déjà très appréciées.

«J’espère vivement que les archéologues du sud-ouest adopteront cette approche et le feront rapidement. Cela a tellement de sens », a déclaré Stephen Plog, professeur émérite d’archéologie à l’Université de Virginie et auteur du livre« Variation stylistique en céramique préhistorique ». «Nous avons beaucoup appris de l’ancien système, mais il a duré au-delà de son utilité, et il est temps de transformer la façon dont nous analysons les conceptions en céramique.»

Les chercheurs explorent les applications pratiques de l’expertise en classification du modèle CNN et travaillent sur des articles de revues supplémentaires pour partager la technologie avec d’autres archéologues. Ils espèrent que cette nouvelle approche de l’analyse archéologique de la poterie pourra être appliquée à d’autres types d’artefacts anciens, et que l’archéologie pourra entrer dans une nouvelle phase de classification des machines qui se traduira par une plus grande efficacité des efforts archéologiques et des méthodes plus efficaces d’enseignement des conceptions de poterie aux nouvelles générations. des étudiants.

Référence: Journal of Archaeological Science.