Археологические памятники статичны, но культуры, которые их создали, были динамичными и разнообразными. Некоторые из них были полностью кочевыми, постоянно меняя местоположение. Некоторые мигрировали на огромные расстояния, в то время как другие практиковали сезонную миграцию, следуя предсказуемым схемам. Часть древних культур строили свои цивилизации прямо поверх предыдущих, оставляя после себя запутанные слои человеческой деятельности, которые археологам сложно расшифровать из-за данного обстоятельства смешения. Поскольку человечество систематически осваивает уже известные и более очевидные места для раскопок, находить новые становится всё труднее при использовании традиционных методов. Сегодня археологи начинает использовать новейшие технологии и прогностические возможности искусственного интеллекта (ИИ) для выявления новых потенциальных мест интереса. Анализируя существующие данные и исторические закономерности, археологи преобразуют способы, посредством применения которых обнаруживают и изучают следы древних цивилизаций, осуществляя идентификацию новых мест раскопок более достижимой.
Инновации производят революцию во многих областях, и археология не является исключением. Поскольку специалисты из этой научной дисциплины стремятся раскрыть и понять историю человечества, искусственный интеллект предлагает новые инструменты и методы, которые обещают ускорить открытия, улучшить исследования и сохранить наше культурное наследие. Археология традиционно опирается на кропотливые ручные методы обнаружения, документирования и анализа, как артефактов, так и мест их поисков. Эти методы, хотя и эффективны, могут быть трудоёмкими и подверженными человеческим ошибкам. ИИ, с его способностью быстро и точно обрабатывать большие объёмы разноплановой и разрозненной информации на мощных серверах центров обработки данных, трансформирует эти процессы. Интеграция других технических достижений в археологию помогает исследователям находить скрытые места, анализировать артефакты с большей точностью и даже предсказывать, где могут быть сделаны будущие открытия.
Традиционные методы обнаружения мест, такие как наземные исследования и аэрофотосъемка, часто ограничены доступностью и масштабом. Спутниковые снимки предоставляют вид с высоты птичьего полёта на большие площади, выявляя закономерности и особенности, которые не видны с земли. Алгоритмы машинного обучения могут анализировать эти изображения для обнаружения аномалий, которые могут указывать на наличие археологических памятников. Например, исследователи теперь часто используют вычислительные мощности быстродействующих нейросетей для анализа сканирования спутниковых снимков на предмет древних сооружений, погребённых под растительностью или песком.
Нейросети предиктивного моделирования могут помочь определить новые места для раскопок, анализируя существующие данные археологических исследований. Ярким примером этого является использование компьютерного зрения и ИИ для определения новых линий Наска в Перу. Эти поразительные рукотворные геоглифы высечены в песках пустыни и покрывают известную площадь около 1000 квадратных километров. Несмотря на их огромные размеры, их трудно увидеть с земли из-за особенностей их расположения на уровне поверхности. Самый простой способ обнаружить их — с воздуха. Однако для этого требуется либо запуск пилотируемых экспедиций, либо ручной анализ аэрофотоснимков исследователями. Теперь учёные используют системы на базе искусственного интеллекта, чтобы помочь идентифицировать и найти новые линии Наска. Эти интеллектуальные системы обучаются на существующих изображениях известных линий Наска. Первые результаты показывают, что они могут идентифицировать или исключить потенциальные места в 21 раз быстрее, чем обученный опытный археолог.
Компьютерный разум также может анализировать исторические перемещения людей и схемы поселений, чтобы предсказать местоположение потенциальных археологических памятников. Модели глубокого обучения помогли идентифицировать постройки коренных американцев на юго-востоке Америки по, так называемым кольцам из ракушек. Кольца из ракушек — это археологические памятники с изогнутыми ракушечными кучами, полностью или частично окружающими открытое пространство. Кольца были расположены рядом с эстуариями, которые поддерживали большие популяции моллюсков, обычно устриц. Эти артефакты были обнаружены в нескольких странах, включая Колумбию, Перу, Японию и юго-восток США. Археологи продолжают спорить о происхождении и предназначении таких сооружений древних людей. Исследователи обучили модели, используя данные LiDAR и данные, собранные спутниками. Цель модели - отличить архаичные кольцевые конструкции от современных зданий или природных объектов. Используя модель Mask R–CNN (специализированная свёрточная нейронная сеть), исследователи достигли точности обнаружения 75% и 79,5% для археологических ракушечных колец и курганов соответственно.
Археологические объекты часто находятся в отдалённых или недоступных районах и могут быть разбросаны по большим площадям. Это затрудняет круглосуточный мониторинг и защиту этих чувствительных объектов культурного наследия от вандализма, изменений окружающей среды, стихийных бедствий или естественного разрушения. Чтобы сделать сохранение артефактов эффективнее, исследователи используют датчики с компьютерным зрением и новые технологии. Такой подход помогает контролировать места расположения исторических памятников и оперативно обнаруживать угрозы. Например, акустические сонары и подводные беспроводные датчики используются в Байях, подводном римском поселении у берегов Италии. Этот «подводный археологический парк», открытый для публики, занимает площадь 435 акров и является охраняемой морской территорией. Он требует постоянного мониторинга для обнаружения любого ущерба, нанесённого водолазами или факторами окружающей среды. Однако изменение морских условий может прервать беспроводные сигналы, используемые для связи между датчиками и наземным штабом. Исследователи используют алгоритмы искусственного интеллекта и машинного обучения для непрерывной модификации сетевого протокола и оптимизации пути сигнала между узлами, поддерживая связь при изменении условий изменчивой морской подводной среды. В руинах Помпеи роботизированная «собака-сторож Спот» патрулирует улицы, используя визуальные датчики для поиска признаков структурных повреждений или необнаруженных точек интереса. Исследователи используют эти данные для проведения вмешательств и планового обслуживания на объекте.
Дроны, оснащённые камерами высокого разрешения и новейшими устройствами обнаружения, становятся бесценными инструментами в археологии. Они могут быстро обследовать большие площади, делая подробные снимки, которые могут быть обработаны искусственным интеллектом для выявления потенциальных мест. Такой подход особенно полезен в отдалённых или труднодоступных регионах. Он был использован для идентификации более 60 000 ранее неизвестных сооружений майя в Гватемале. Анализируя сигналы с лидара (лазерного локатора), которые могут проникать сквозь густой лесной полог, алгоритмы машинного обучения обнаружили очертания зданий, дорог и других сооружений. Это открытие изменило понимание цивилизации майя и её масштабов.
Технология 3D-моделирования в сочетании с искусственным интеллектом позволяет археологам создавать подробные цифровые реконструкции артефактов, зданий, сооружений и приспособлений для жизни. Эти модели могут использоваться для анализа, сохранения объектов исследования, обработки фрагментированных фотографий, реконструируя их первоначальную форму и предлагая возможные функции. Например, в Помпеях так была проведена цифровая реконструкция архитектуры города. Анализируя останки зданий и объектов, алгоритмы помогли воссоздать облик этого мгновенно погибшего города. Многие артефакты хорошо сохранились, так как были очень быстро погребены под слоем пепла от извержения Везувия. Эти реконструкции предоставляют ценный контекст для понимания повседневной жизни его жителей.
Любой предмет изучения археологов, будь то объект архитектуры или осколки посуды, может состоять из сотен, если не тысяч, отдельных фрагментов, смешанных с другим мусором. Это делает сбор, анализ и повторную сборку фрагментов одной из самых трудоёмких задач в археологии. Однако современные нейросети имеют потенциал проводить такие операции гораздо более эффективнее, чем люди. Используя компьютерное зрение, они могут анализировать особенности фрагментов и моделировать их сочетание друг с другом в кратчайшие сроки. Например, исследователи в Италии уже разрабатывают роботов с искусственным интеллектом для обнаружения и «сборки» фрагментов древних фресок. Он будет использовать технологии компьютерного зрения для идентификации, калибровки и классификации частей. Также в эту систему комплексно закладывается функционал машинного обучения для прогнозирования полной 3D-модели артефакта перед началом процедуры окончательной сборки. Оснащение робота очень чувствительной рукой-манипулятором также позволит ему самостоятельно собирать артефакты. Это может сэкономить исследователям много времени и поможет минимизировать риск дальнейшего повреждения из-за человеческих ошибок или неправильного обращения.
Другие области исследований вращаются вокруг использования ИИ для восстановления или улучшения произведений искусства. Эти инструменты уже показали свою эффективность в шумоподавлении, цветокоррекции, сверхразрешении и других методах улучшения изображений. Таким образом, исследователи могут изучать цифровые улучшенные изображения шедевров изобразительного и прикладного искусства более подробно, не прикасаясь к оригиналу. Это может дать им более глубокое понимание первоначального вида произведения или методов, использованных художником. Помимо обогащения знаний, это также позволяет определить методы для реставрации с большей точностью.
Системы распознавания изображений могут анализировать фотографии исторических находок для выявления закономерностей, классификации объектов и даже обнаружения подделок. Алгоритмы можно обучать на больших наборах данных маркированных изображений, что позволяет им распознавать определённые стили, материалы и методы, используемые в различные исторические периоды. Например, музей «Метрополитан» использовал такой способ для анализа своей коллекции древнегреческой керамики. Обучая систему нейросети на тысячах изображений, исследователи разработали инструмент, который может с высокой точностью определять происхождение и дату керамических осколков, помогая в каталогизации и изучении обширной коллекции музея. Кроме того, исследователи и общественность теперь могут изучать коллекцию онлайн, получая представление об истории и значимости каждого предмета.
Алгоритмы машинного обучения могут анализировать данные с датчиков, которые отслеживают условия окружающей среды, такие как температура, влажность и качество воздуха, чтобы предсказать, как эти факторы повлияют на объекты культурного наследия с течением времени. Это позволит своевременно проводить работы по техническому обслуживанию и реставрации. Обработка естественного языка (NLP) может анализировать и организовывать огромные объёмы текстовых данных: отчёты о раскопках, исследовательские работы и исторические документы, что упрощает поиск и извлечение соответствующей информации.
Даже древние языки представляют собой проблемы. Обычно только несколько экспертов во всём мире знают такие языки, как, например, клинопись и могут их переводить. Обучение новых лингвистов использованию этих языков может занять годы, а результаты могут быть запутанными из-за индивидуальной интерпретации. С другой стороны, вам нужно будет обучить модель только один раз, и у вас будет пожизненный переводчик по требованию. Исследователи уже разработали решение NLP, которое может мгновенно перевести аккадскую клинопись в транслитерированную латинскую письменность. Эта письменность действует как универсальный язык, доступный археологам по всему миру. Даже на этой ранней стадии им удалось достичь точности до 70% на неизученных данных и 97% на изученных данных.
Одной из наиболее перспективных областей применения технологий искусственного интеллекта является предиктивная археология, которая предполагает использование различных специальных программ для прогнозирования местонахождения неоткрытых археологических памятников. Предиктивное моделирование использует такие алгоритмы для анализа существующих археологических данных и выявления закономерностей, которые могут указывать на наличие неоткрытых мест, представляющих археологический интерес. Эти модели учитывают различные факторы, такие как топография, климат и исторические записи, для создания карт областей с высокой вероятностью расположения будущих мест исследований. Учёные-историки, в содружестве с IT-разработчиками, создали предиктивную модель, которая использует машинное обучение для выявления потенциальных археологических памятников в Средиземноморском регионе. Анализируя данные с известных памятников и экологические переменные, модель может предсказывать, где, скорее всего, будут найдены другие памятники, направляя будущие полевые работы.
Успешное внедрение различных инноваций в археологию требует сотрудничества между технологами, программистами, аналитиками больших данных, археологами и историками. Технологи должны понимать конкретные проблемы, с которыми сталкиваются археологи, в то время, как археологи должны быть открыты для принятия новых подходов. Привлечение историков также может предоставить ценный контекст и идеи, которые улучшат дальнейшую разработку моделей искусственного интеллекта.