AI förändrar dramatiskt arkeologin, upptäcker nya platser och föremål

Artificiell intelligens används för att hjälpa arkeologer att hitta nya utgrävningsplatser och göra nya upptäckter, vilket drastiskt ökar takten i arkeologisk forskning. Som SingularityHub rapporterade, används artificiell intelligens och datorseendealgoritmer för att analysera satellitbilddata och automatisera processen för att upptäcka möjliga arkeologiska platser i dem.

Tack vare den ökade tillgången till luftbildsdata som samlats in av satelliter, plan och drönare, kan arkeologer undersöka områden på jorden för möjliga arkeologiska platser utan att besöka området själva. Men att manuellt analysera tusentals bilder av landskap kan vara en tidskrävande och tråkig uppgift. Artificiella intelligensalgoritmer kan automatisera denna process, vilket gör den mycket snabbare och effektivare.

Som förklarades för SingularityHub av PhD-kandidaten vid Penn State Universitys institution för antropologi, Dylan Davis, har disciplinen arkeologi skalat upp sin användning av AI dramatiskt under de senaste åren. Användningen av AI av arkeologer har lett till några spännande nya upptäckter under de senaste åren. Detta inkluderar upptäckten av historiska bosättningar på Madagaskar och jordhögar skapade av förhistoriska nordamerikanska befolkningar. Davis utvecklade själv de prediktiva algoritmerna som kunde lokalisera dessa platser.

AI-system använder en mängd olika tekniker för att skilja på strukturer och föremål som möjligen är av intresse för arkeologer. Den AI-algoritm som Davis utvecklade använde LiDAR, som genererar ljuspulser som tolkas av AI för att skapa kartor över geografiska områden. LiDAR-pulserna skapade kartor över skogsgolvet som innehöll information om textur, storlek, form och lutning på golvet. AI utbildades på denna data för att kunna känna igen potentiella platser av intresse. Enligt Davis sparade automatiseringen honom och hans kollegor flera års arbete. Som Davis förklarade, kunde AI-modellen hjälpa hans forskningsteam att hitta arkeologiska platser på Madagaskar. Under loppet av ett år kunde AI identifiera mer än 70 bekräftade platser i ett område som var över 1000 kvadratkilometer stort.

Arkeologer letar ständigt efter nya sätt att förbättra takten med vilken arkeologiska platser identifieras. Många potentiella arkeologiska fynd hotas av förstöring på grund av havsnivåhöjning och andra klimatförändringseffekter, avskogning, byggnadsverksamhet eller andra mänskliga aktiviteter. De traditionella metoder som arkeologer använder för att hitta potentiella platser kan ta månader eller år. Detta är en av de viktigaste anledningarna till att maskinlärning är användbar för arkeologisk forskning, enligt Davis.

De AI-modeller som utvecklats för att förbättra arkeologisk forskning har tillämpningar utöver att lära sig mer om kulturen och historien hos forntida civilisationer. Att studera de tekniker som användes av historiska civilisationer kan hjälpa moderna regeringar att hantera långvariga utmaningar som vattenresurshantering. Till exempel använde forskare från Institut Català d’Arqueologia Clàssica (ICAC) en AI-modell för att rekonstruera funktionerna hos tusentals mil av paleofloder i dagens Indien och Pakistan. Datamängden som modellen möjliggjorde kan hjälpa regeringar att upptäcka smarta sätt att använda vattenresurser.

Förutom de tidigare nämnda användningsområdena kan AI förbättra arkeologers forskning på ett antal olika sätt. AI-tekniker används för att hjälpa forskare att bestämma den kemiska strukturen hos keramik, lergods och andra föremål. Genom att analysera ett föremåls kemiska komponenter kan forskare få bättre idéer om var materialet som användes för att skapa föremålet kom ifrån. Lingvistiska antropologer har nyligen använt maskinlärningstekniker för att modellera hur olika språk kan ha uppstått i olika delar av världen, och förra året inskriptioner på skadade grekiska föremål återskapades med hjälp av ett djupt neuralt nätverk som utvecklats av Google DeepMind. Förra året publicerades mer än 65 arkeologiska artiklar som använde maskinlärning på något sätt, och det antalet kommer troligen att fortsätta öka i framtiden.