Nevralt nettverk gjør det enklere å identifisere forskjellige punkter i historien

Et område som ikke dekkes like mye i forhold til kunstig intelligens (AI) potensial er hvordan det kan brukes i historie, antropologi, arkeologi og lignende fag. Dette demonstreres av ny forskning som viser hvordan maskinlæring kan fungere som et verktøy for arkeologer til å skille mellom to store perioder: Midtre steinalder (MSA) og Sen steinalder (LSA). 

Denne skillelse kan synes som noe som allerede er etablert i akademiske og arkeologiske kretser, men det er langt fra tilfelle. I mange tilfeller er det ikke lett å skille mellom de to. 

MSA og LSA 

For omtrent 300 tusen år siden dukket de første MSA-verktøyene opp samtidig som de tidligste fossiler av Homo Sapiens. Disse samme verktøyene ble brukt helt frem til omtrent 30 tusen år siden. En stor endring i atferd skjedde for omtrent 67 tusen år siden da det skjedde endringer i steinverktøyproduksjon, og de resulterende verktøyene var LSA. 

LSA-verktøyene ble fortsatt brukt i den nylige fortiden, og det blir nå klart at overgangen fra MSA til LSA var alt annet enn en lineær prosess. Endringene skjedde over ulike tider og på ulike steder, og det er derfor forskerne fokuserer så mye på denne prosessen som kan hjelpe med å forklare kulturell innovasjon og kreativitet. 

Grunnlaget for denne forståelsen er skillelsen mellom MSA og LSA.

Dr. Jimbob Blinkhorn er en arkeolog fra Pan African Evolution Research Group, Max Planck Institute for the Science of Human History og Centre for Quaternary Research, Department of Geography, Royal Holloway. 

“Øst-Afrika er en nøkkelregion for å undersøke denne store kulturelle endringen, ikke bare fordi det har noen av de yngste MSA-stedene og noen av de eldste LSA-stedene, men også fordi et stort antall godt utgravde og daterte steder gjør det ideelt for forskning med kvantitative metoder,” sier Dr. Blinkhorn. “Dette har gjort det mulig for oss å samle en betydelig database over endringer i mønster til steinverktøyproduksjon og bruk, som spenner over 130 til 12 tusen år siden, for å undersøke MSA-LSA-overgangen.” 

Kunstige neurale nettverk (ANNs) 

Studien er basert på 16 alternative verktøytyper over 92 steinverktøysamlinger, med fokus på deres tilstedeværelse eller fravær. Studien betoner konstellasjonene av verktøysformer som ofte opptrer sammen, snarere enn hver enkelt verktøy. 

Dr. Matt Grove er en arkeolog ved University of Liverpool.

“Vi har brukt en kunstig neural nettverks-tilnærming (ANN) for å trene og teste modeller som skiller LSA-samlinger fra MSA-samlinger, samt undersøke kronologiske forskjeller mellom eldre (130-71 tusen år siden) og yngre (71-28 tusen år siden) MSA-samlinger med en suksessrate på 94%,” sier Dr. Grove. 

Kunstige neurale nettverk (ANNs) etterligner visse informasjonsbehandlingsfunksjoner i menneskehjernen, og behandlingskraften er tungt avhengig av handlingen av mange enkle enheter som fungerer sammen. 

“ANNs har noen ganger blitt beskrevet som en ‘black box’-tilnærming, fordi selv når de er svært suksessfulle, kan det ikke alltid være klart hvorfor,” sier Grove. “Vi har brukt en simuleringsmetode som åpner opp denne black boxen for å forstå hvilke innputt som har en betydelig innvirkning på resultater. Dette har gjort det mulig for oss å identifisere hvordan mønstre av steinverktøysamlingssammensetning varierer mellom MSA og LSA, og vi håper at dette demonstrerer hvordan slike metoder kan brukes mer omfattende i arkeologisk forskning i fremtiden.” 

“Resultatene av vår studie viser at MSA- og LSA-samlinger kan skilles basert på konstellasjonen av gjenstandsfunn innen en samling alene,” sier Blinkhorn. “Den kombinerede forekomsten av bakdekkede deler, blad- og bipolære teknologier sammen med den kombinerede fraværet av kjerneverktøy, Levallois-flaketeknologi, punktteknologi og skrapere identifiserer robust LSA-samlinger, med det motsatte mønsteret som identifiserer MSA-samlinger. Dette gir kvantifisert støtte til kvalitative forskjeller notert av tidligere forskere som viser at nøkkeltypologiske endringer skjer med denne kulturelle overgangen.”

Teamet vil nå bruke den nyutviklede metoden til å se nærmere på kulturell endring i den afrikanske steinalderen. 

“Tilnærmingen vi har brukt tilbyr et kraftig verktøy til å undersøke kategoriene vi bruker til å beskrive den arkeologiske rekorden og til å hjelpe oss med å undersøke og forklare kulturell endring blant våre forfedre,” sier Blinkhorn.