Neuronales Netzwerk erleichtert die Identifizierung verschiedener Punkte in der Geschichte

Ein Bereich, der in Bezug auf das Potenzial künstlicher Intelligenz (KI) nicht so häufig behandelt wird, ist die Verwendung in der Geschichte, Anthropologie, Archäologie und anderen ähnlichen Feldern. Dies wird durch neue Forschung demonstriert, die zeigt, wie maschinelles Lernen als Werkzeug für Archäologen dienen kann, um zwischen zwei großen Perioden zu unterscheiden: dem Mittleren Steinzeit-Alter (MSA) und dem Späten Steinzeit-Alter (LSA).

Diese Unterscheidung mag wie etwas aussehen, das in der Wissenschaft und bei Archäologen bereits etabliert ist, aber dem ist nicht so. In vielen Fällen ist es nicht leicht, zwischen den beiden zu unterscheiden.

MSA und LSA

Vor etwa 300.000 Jahren erschienen die ersten MSA-Werkzeuge während der gleichen Zeit wie die frühesten Fossilien von Homo sapiens. Diese Werkzeuge wurden bis etwa 30.000 Jahre vor unserer Zeitrechnung verwendet. Ein bedeutender Verhaltenswandel fand um 67.000 Jahre vor unserer Zeitrechnung statt, als es Veränderungen in der Steinwerkzeugproduktion gab, und die resultierenden Werkzeuge waren LSA.

LSA-Werkzeuge wurden noch in der jüngsten Vergangenheit verwendet, und es wird jetzt klar, dass der Übergang von MSA zu LSA kein linearer Prozess war. Die Veränderungen fanden zu verschiedenen Zeiten und an verschiedenen Orten statt, was der Grund ist, warum Forscher so sehr auf diesen Prozess fokussiert sind, der uns helfen kann, kulturelle Innovation und Kreativität zu erklären.

Die Grundlage dieses Verständnisses ist die Unterscheidung zwischen MSA und LSA.

Dr. Jimbob Blinkhorn ist Archäologe bei der Pan African Evolution Research Group, Max Planck Institute for the Science of Human History und dem Centre for Quaternary Research, Department of Geography, Royal Holloway.

„Ostafrika ist eine Schlüsselregion, um diesen großen kulturellen Wandel zu untersuchen, nicht nur, weil es einige der jüngsten MSA-Standorte und einige der ältesten LSA-Standorte beherbergt, sondern auch, weil eine große Anzahl von gut ausgegrabener und datierter Standorte es ideal für die Verwendung quantitativer Methoden macht“, sagt Dr. Blinkhorn. „Dies ermöglichte es uns, eine umfangreiche Datenbank von Veränderungen in der Steinwerkzeugproduktion und -verwendung zusammenzustellen, die 130 bis 12.000 Jahre vor unserer Zeitrechnung umfasst, um den MSA-LSA-Übergang zu untersuchen.“

Künstliche Neuronale Netze (ANNs)

Die Studie basiert auf 16 alternativen Werkzeugtypen aus 92 Steinwerkzeug-Sammlungen, mit dem Fokus auf ihre Anwesenheit oder Abwesenheit. Die Studie betont die Konstellationen von Werkzeugformen, die oft zusammen auftreten, anstatt jedes einzelne Werkzeug.

Dr. Matt Grove ist Archäologe an der University of Liverpool.

„Wir haben einen Ansatz mit künstlichen neuronalen Netzen (ANNs) verwendet, um Modelle zu trainieren und zu testen, die LSA-Sammlungen von MSA-Sammlungen unterscheiden, sowie um chronologische Unterschiede zwischen älteren (130-71.000 Jahre vor unserer Zeitrechnung) und jüngeren (71-28.000 Jahre vor unserer Zeitrechnung) MSA-Sammlungen mit einer Erfolgsrate von 94 % zu untersuchen“, sagt Dr. Grove.

Künstliche Neuronale Netze (ANNs) imitieren bestimmte Informationsverarbeitungsmerkmale des menschlichen Gehirns, und die Verarbeitungsleistung hängt stark von der Aktion vieler einfacher Einheiten ab, die zusammenarbeiten.

„ANNs wurden manchmal als eine „black-box“-Methode beschrieben, da sie auch dann, wenn sie sehr erfolgreich sind, nicht immer klar ist, warum“, sagt Grove. „Wir haben einen Simulationsansatz verwendet, der diese Blackbox öffnet, um zu verstehen, welche Eingaben einen signifikanten Einfluss auf die Ergebnisse haben. Dies ermöglichte es uns, zu erkennen, wie Muster von Steinwerkzeug-Sammlungen zwischen MSA und LSA variieren, und wir hoffen, dass dies zeigt, wie solche Methoden in der archäologischen Forschung in der Zukunft breiter eingesetzt werden können.“

“Die Ergebnisse unserer Studie zeigen, dass MSA- und LSA-Sammlungen anhand der Konstellation von Artefakttypen, die in einer Sammlung gefunden werden, unterschieden werden können”, sagt Blinkhorn. “Das gemeinsame Auftreten von Rückenstücken, Klingen und bipolaren Technologien zusammen mit dem gemeinsamen Fehlen von Kernwerkzeugen, Levallois-Schabern, Pfeiltechnologie und Schabern identifiziert robust LSA-Sammlungen, während das Gegenteil MSA-Sammlungen identifiziert. Bedeutsam ist, dass dies quantifizierte Unterstützung für qualitative Unterschiede bietet, die von früheren Forschern festgestellt wurden, dass wichtige typologische Veränderungen mit diesem kulturellen Übergang auftreten.”

Das Team wird nun die neu entwickelte Methode verwenden, um den kulturellen Wandel in der afrikanischen Steinzeit genauer zu untersuchen.

“Der Ansatz, den wir verwendet haben, bietet ein leistungsstarkes Werkzeug, um die Kategorien zu untersuchen, die wir verwenden, um die archäologische Aufzeichnung zu beschreiben, und um uns zu helfen, kulturellen Wandel bei unseren Vorfahren zu untersuchen und zu erklären”, sagt Blinkhorn.