Neuronnätverk gör det lättare att identifiera olika punkter i historien

Ett område som inte täcks lika mycket i termer av artificiell intelligens (AI) potential är hur det kan användas inom historia, antropologi, arkeologi och liknande fält. Detta demonstreras av ny forskning som visar hur maskinlärning kan fungera som ett verktyg för arkeologer för att skilja mellan två stora perioder: Mellanstenåldern (MSA) och Senstenåldern (LSA).

Denna differentiering kan verka som något som akademin och arkeologer redan har etablerat, men det är långt ifrån fallet. I många fall är det inte lätt att skilja mellan de två.

MSA och LSA

Ungefär 300 000 år sedan uppträdde de första MSA-verktygsuppsättningarna under samma tid som de tidigaste fossilerna av Homo Sapiens. Samma verktygsuppsättningar användes ända fram till ungefär 30 000 år sedan. En stor förändring i beteende ägde rum för ungefär 67 000 år sedan när det skedde förändringar i stenverktygsproduktionen, och de resulterande verktygsuppsättningarna var LSA.

LSA-verktygsuppsättningar användes fortfarande i den nära forntiden, och det blir nu tydligt att övergången från MSA till LSA var allt annat än en linjär process. Förändringarna ägde rum under olika tider och på olika platser, vilket är varför forskare är så fokuserade på denna process som kan hjälpa till att förklara kulturell innovation och kreativitet.

Grundvalen för denna förståelse är differentieringen mellan MSA och LSA.

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

“Östra Afrika är en nyckelregion för att undersöka denna stora kulturella förändring, inte bara för att det är värd för några av de yngsta MSA-platserna och några av de äldsta LSA-platserna, utan också för att ett stort antal väl utgrävda och daterade platser gör det idealiskt för forskning med hjälp av kvantitativa metoder”, säger Dr. Blinkhorn. “Detta möjliggjorde för oss att samla en betydande databas med förändrade mönster i stenverktygsproduktion och användning, som spänner över 130 till 12 000 år sedan, för att undersöka övergången från MSA till LSA.”

Artificiella Neuronnätverk (ANN)

Studien baseras på 16 alternativa verktygstyper över 92 stenverktygsuppsättningar, med fokus på deras närvaro eller frånvaro. Studien betonar konstellationer av verktygsformer som ofta förekommer tillsammans snarare än varje enskilt verktyg.

Dr. Matt Grove är en arkeolog vid University of Liverpool.

“Vi har använt en artificiell neural nätverksansats för att träna och testa modeller som differentierar LSA-samlingar från MSA-samlingar, samt undersöka kronologiska skillnader mellan äldre (130-71 000 år sedan) och yngre (71-28 000 år sedan) MSA-samlingar med en framgångssiffra på 94%”, säger Dr. Grove.

Artificiella neuronnätverk (ANN) imiterar vissa informationsbearbetningsfunktioner i den mänskliga hjärnan, och bearbetningskraften är starkt beroende av handlingen av många enkla enheter som arbetar tillsammans.

“ANN har ibland beskrivits som en ‘svart låda’-ansats, eftersom även när de är mycket framgångsrika, kan det inte alltid vara tydligt varför”, säger Grove. “Vi använde en simuleringsansats som öppnar denna svarta låda för att förstå vilka indata som har en betydande inverkan på resultaten. Detta möjliggjorde för oss att identifiera hur mönster av stenverktygsuppsättningssammansättning varierar mellan MSA och LSA, och vi hoppas att detta demonstrerar hur sådana metoder kan användas mer allmänt i arkeologisk forskning i framtiden.”

“Resultaten från vår studie visar att MSA- och LSA-samlingar kan differentieras baserat på konstellationen av artefakttyper som finns i en samling ensam”, säger Blinkhorn. “Den kombinerade förekomsten av bakre delar, blad och bipolära tekniker tillsammans med den kombinerade frånvaron av kärnverktyg, Levallois-flaketeknologi, punktteknologi och skrapor identifierar robust LSA-samlingar, med det motsatta mönstret som identifierar MSA-samlingar. Detta ger kvantitativt stöd till kvalitativa skillnader som noterats av tidigare forskare som viktiga typologiska förändringar som sker med denna kulturella övergång.”

Teamet kommer nu att använda den nyligen utvecklade metoden för att undersöka kulturella förändringar i den afrikanska stenåldern.

“Tillvägagångssättet vi har använt erbjuder ett kraftfullt verktyg för att undersöka de kategorier vi använder för att beskriva den arkeologiska rapporten och för att hjälpa oss att undersöka och förklara kulturella förändringar bland våra förfäder”, säger Blinkhorn.