Les archéologues de la Northern Arizona University espèrent qu'une nouvelle technologie qu'ils ont aidé à mettre au point 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 apprendre aux ordinateurs à effectuer une tâche complexe dont de nombreux scientifiques qui étudient les sociétés anciennes rêvaient depuis longtemps :trier rapidement et de manière cohérente des milliers de motifs de poterie en plusieurs catégories stylistiques. En utilisant une forme d'apprentissage automatique connue sous le nom de réseaux de neurones convolutifs (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.

"Maintenant, en utilisant des photographies numériques de poterie, les ordinateurs peuvent accomplir ce qui impliquait des centaines d'heures de travail fastidieux, travail minutieux et épuisant des archéologues qui triaient physiquement les morceaux de poterie brisée 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 étudier la possibilité d'utiliser un ordinateur pour classer avec précision les morceaux de poterie brisés, connu sous le nom de tessons, dans les types de poterie connus en 2016. Les résultats de leurs recherches sont rapportés dans le numéro de juin de la publication à comité de lecture Journal des sciences archéologiques .

"Sur plusieurs des milliers de sites archéologiques disséminés dans le sud-ouest américain, les archéologues trouveront souvent des fragments de poterie brisés appelés tessons. Beaucoup de ces tessons auront des designs qui peuvent être triés dans des catégories stylistiques préalablement définies, appelés « types », ' qui ont été corrélées à la fois à la période générale de fabrication et aux lieux où elles ont été fabriquées, " a déclaré Downum. "Ceux-ci fournissent aux archéologues des informations critiques sur le moment où un site a été occupé, le groupe culturel avec lequel il était associé et les autres groupes avec lesquels ils interagissaient.

La recherche s'est appuyée sur des avancées récentes dans l'utilisation de l'apprentissage automatique pour classer les images par type, spécifiquement CNN. Les CNN sont désormais un pilier de la reconnaissance d'images par ordinateur, utilisé pour tout, des images aux rayons X pour les 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 antique ?

Jusqu'à maintenant, le processus de reconnaissance des caractéristiques de conception de diagnostic sur la poterie a été difficile et long. Cela peut nécessiter 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, le processus était sujet à l'erreur humaine car les archéologues experts sont souvent en désaccord sur le type représenté par un tesson, et pourraient trouver difficile d'exprimer leur processus de prise de décision avec des mots. Un examinateur anonyme de l'article a qualifié cela de "sale secret en archéologie dont personne ne parle assez".

Déterminé 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, connu sous le nom de Tusayan White Ware, commune 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 de formation » de tessons à partir duquel la machine peut apprendre. Finalement, ils ont entraîné 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. " Dans un laps de temps relativement court, l'ordinateur s'est entraîné à identifier la poterie avec une précision comparable à, et parfois mieux que, les experts humains.

Pour les quatre archéologues avec des décennies d'expérience dans le tri de dizaines de milliers de tessons de poterie, 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 avec quoi de nombreux archéologues peuvent avoir des difficultés :décrire pourquoi elle a pris les décisions de classification qu'elle a prises. En utilisant des cartes thermiques codées par couleur des tessons, la machine a souligné les caractéristiques de conception qu'elle a utilisées pour prendre ses décisions de classification, fournissant ainsi un enregistrement visuel de ses « pensées ».

"Une retombée passionnante de ce processus était la capacité de l'ordinateur à trouver des correspondances presque exactes d'extraits particuliers de dessins de poterie représentés sur des tessons individuels, " Downum a déclaré. « En utilisant des mesures de similarité dérivées de CNN pour les conceptions, la machine a pu rechercher parmi des milliers d'images pour trouver la contrepartie la plus similaire d'une conception de poterie individuelle."

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'une ancienne décharge ou de mener une analyse régionale des similitudes et des différences stylistiques entre plusieurs communautés anciennes. L'approche pourrait également être mieux à même d'associer des conceptions de poterie particulières à partir de structures excavées qui ont été datées à l'aide de la méthode des cernes.

Leurs recherches sont déjà très appréciées.

"J'espère ardemment 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 "Stylistic Variation In Prehistoric Ceramics". "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 de 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 peut entrer dans une nouvelle phase de classification des machines qui se traduit par une plus grande efficacité des efforts archéologiques et des méthodes plus efficaces d'enseignement des dessins de poterie aux nouvelles générations d'étudiants.