کاربرد هوش مصنوعی در باستان‌شناسی
محورهای موضوعی : مطالعات میان‌رشته‌ای
1 - استادیار، گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد ابهر، ابهر، ایران
کلید واژه: باستان‌شناسی, هوش مصنوعی, یادگیری ماشین, یادگیری عمیق,
چکیده مقاله :
دانش باستان‌شناسی برای درک، تجزیه‌وتحلیل تاریخ و فرهنگ‌های انسانی، اهمیت فراوانی دارد. این دانش کمک می‌کند تا گذشته انسان در زمینه‌های مختلف مانند معماری، هنر، اجتماعی، اقتصادی و مذهب به‌درستی مطالعه شود. باستان‌شناسی امکان فهم بهتری از ریشه‌ها، اصالت فرهنگ‌ها و نهادهای را فراهم می‌نماید. تحقیقات در باستان‌شناسی زمینه‌های گوناگونی دارد مانند شناسایی سایت، کاوش سایت‌ها، تحلیل شکل‌ها و خطوط، ترمیم و تجزیه‌وتحلیل بقایای فیزیکی و آثار که همه آن‌ها فرایندی زمان‌بر می‌باشد. باستان‌شناسی به مطالعه گذشته می‌پردازد ولی جامعه باستان شناسان سعی کرده‌اند از فن‌آوری‌های روز مانند هوش مصنوعی در پژوهش‌های خود استفاده نمایند. هوش مصنوعی در سال‌های اخیر به دلیل دسترسی به سخت‌افزارهای توانمند و داده‌های زیاد رشد چشمگیری داشته و در زمینه‌های مختلف باستان‌شناسی مورداستفاده قرارگرفته است. این فن‌آوری درحال ایجاد تحول درروش کشف باستان‌شناسی و تجزیه‌وتحلیل آثار می‌باشد. هوش مصنوعی می‌تواند در شناسایی سایت‌ها، تحلیل محتوا، ترجمه و تفسیر متن‌ها، ترمیم و زمینه‌های دیگر به‌عنوان ابزار کمی به متخصصین کمک نموده و امکان پردازش داده‌های بزرگ که طی دهه‌ها تحقیق گردآوری و ذخیره‌شده را فراهم نماید. باوجود کاربردهای متعدد هوش مصنوعی در باستان‌شناسی که موجب افزایش سرعت و دقت در کارها شده است، این فناوری جایگزین محققان انسانی نمی‌شود، بلکه به‌عنوان ابزار توانایی‌های متخصصین را افزایش داده و آن‌ها را قادر می‌سازد پیشینه و تاریخ را عمیق‌تر کاوش کرده و درک بهتری به دست آورند. در این کار چالش‌ها و موانعی نیز وجود دارد که در این مقاله کاربردها و چالش‌ها موردبررسی قرار می‌گیرد.
Archaeological knowledge plays a pivotal role in understanding and analyzing human history and cultures. It enables researchers to study the human past across various dimensions such as architecture, art, social structures, economy, and religion. Through archaeology, a deeper comprehension of the origins and authenticity of civilizations and institutions can be attained. The field encompasses diverse activities including site identification, excavation, shape and line analysis, restoration, and examination of physical remains and artifacts—all of which are inherently time-consuming processes. Although archaeology focuses on the past, the archaeological community has increasingly adopted modern technologies such as artificial intelligence (AI) to support their research endeavors. In recent years, the advancement of AI has been driven by the availability of powerful computing hardware and extensive datasets. As a result, AI has found significant applications in archaeology, transforming methods of discovery and the analysis of archaeological materials. AI technologies can assist specialists in a range of tasks including site detection, content analysis, textual translation and interpretation, restoration, and more. These tools provide quantitative support that facilitates the processing of large-scale datasets accumulated over decades of research. Despite the notable improvements in speed and accuracy offered by AI, this technology does not replace human experts. Instead, it enhances their capabilities, enabling deeper exploration and a more profound understanding of historical contexts and heritage. This paper explores the major applications of artificial intelligence in archaeology and discusses the associated challenges and limitations that accompany its integration into the discipline.
Nozari, H., Ghahremani-Nahr, J., Szmelter-Jarosz, A. (2024).AI and machine learning for real-world problems, Adv. Comput. 134, 1–12 Elsevier.
Forte, M., Danelon N. (2019). Cyber-Archaeology. In Oxford Bibliographies in An-thropology, New York: Oxford University Press.
Guyot, A., Lennon, M., Lorho, T.; Hubert-Moy, L. (2021). Combined Detection and Segmentation of Archeological Structures from LiDAR Data Using a Deep Learning Approach. J. Comput. Appl. Archaeol., 4, 1.
Davis, D.S.; Caspari, G. (2021). Lipo, C.P.; Sanger, M.C. Deep Learning Reveals Extent of Archaic Native American Shell-Ring Building Practices. J. Archaeol. Sci. 132, 105433.
Trier,.D.; Reksten, J.H.; Løseth, K. Automated mapping of cultural heritage in Norway from airborne lidar data using faster R-CNN. Int. J. Appl. Earth Obs. Geoinf. 2021, 95, 102241.
Cole, K.E., Yaworsky, P.M., Hart, I.A. (2022). Evaluating statistical models for establishing morphometric taxonomic identifications and a new approach using Random Forest. J. Archaeol. Sci. 143, 105610.
Eberl, M.; Bell, C.S.; Spencer-Smith, J.; Raj, M.; Sarubbi, A.; Johnson, P.S.; Rieth, A.E.; Chaudhry, U.; Aguila, R.E.; McBride, M. (2023). Machine Learning–Based Identification of Lithic Microdebitage. Adv. Archaeol. Pract. 11, 152–163.Electronics 2024, 13, 2752 22 of 23
Troiano, M., Nobile, E., Mangini, F., Mastrogiuseppe, M., Conati Barbaro, C., Frezza, F. (2024). A Comparative Analysis of the Bayesian Regularization and Levenberg–Marquardt Training Algorithms in Neural Networks for Small Datasets: A Metrics Prediction of Neolithic Laminar Artefacts. Information, 15, 270.
Nobile, E., Conati, C.B. (2022). The Standardisation of the PPNB Lithic Industry from Er-Rahib. Orig. Rev. Prehistory Protohistory Anc. Civiliz. 46, 7–28.
Troiano, M., Nobile, E., Grignaffini, F., Mangini, F., Mastrogiuseppe, M., Barbaro, C., Frezza, F. (2024). A Comparative Analysis of Machine Learning Algorithms for Identifying Cultural and Technological Groups in Archaeological Datasets through Clustering Analysis of Homogeneous Data. Electronics. Computer Science & Engineering. 1-23.
Bickler SH. (2019). Machine Learning Arrives in Archaeology. Advances in Archaeological Practice.9(2):186-191. doi:10.1017/aap.2021.6
Bickler, H. (2018). A Machine Learning Identification and Classification of Historic Ceramics.Archaeology in New Zealand.;61(1):20–32.
Chetouani, A., Sylvie, T., Matthieu, E., Sébastien J. (2020). Classification of Engraved Pottery Sherds Mixing Deep-Learning Features by Compact Bilinear Pooling. Pattern Recognition Letters 131:1–7.
Romanengo, C., Silvia B., Bianca S. (2020). Recognising Decorations in Archaeological Finds through the Analysis of Characteristic Curves on 3D Models. Pattern Recognition Letters 131:405–412.
Bonhage, A., Mahmoud E., Thomas R., Michael, B., Anna S. (2021). A Modified Mask Region-Based Convolutional Neural Network Approach for the Automated Detection of Archaeological Sites on High-Resolution Light Detection and Ranging-Derived Digital Elevation Models in the North German Lowland. Archaeological Prospection.DOI:10.1002/arp.1806.
Caspari, G., Pablo, C. (2019). Convolutional Neural Networks for Archaeological Site Detection–Finding “Princely” Tombs. Journal of Archaeological Science 10: 104998.DOI: 10.1016/j.jas.2019.104998.
Davis, D., Katherine, E., Matthew, C. (2020). Addressing the Problem of Disappearing Cultural Landscapes in Archaeological Research Using Multi-Scalar Survey. Journal of Island and Coastal Archaeology, in press. DOI:10.1080/15564894.2020.1803457
Verschoof, V., Wouter, B., Karsten, L. (2019). Learning to Look at LiDAR: The Use of R-CNN in the Automated Detection of Archaeological Objects in LiDAR Data from the Netherlands.Journal of Computer Applications in Archaeology 2:31–40.
Verschoof ,V., Wouter, B., Karsten, L., Wojtek, K., Quentin, P. (2020). Combining Deep Learning and Location-Based Ranking for Large-Scale Archaeological Prospection of LiDAR Data from The Netherlands. ISPRS International Journal of Geo-Information 9(5):293.
Cintas, C., Manuel L., José M., Claudio D., Rolando, G., Manuel M. (2020). Automatic Feature Extraction and Classification of Iberian Ceramics Based on Deep Convolutional Networks. Journal of Cultural Heritage 41:106–112.
Felicetti, A., Marina P., Primo Z., Roberto P., Eva S. (2021). Mo.Se.: Mosaic Image Segmentation Based on Deep Cascading Learning.Virtual Archaeology Review 12(24):25–38.
Ostertag, C., Marie B. (2020). Matching Ostraca Fragments Using a Siamese Neural Network. Pattern Recognition Letters 131:336–340.
Nash, B.S., Elton R. (2016). The Use of Artificial Neural Networks in Projectile Point Typology. Lithic Technology 41:194–211.
Grove, M., James B. (2020). Neural Networks Differentiate between Middle and Later Stone Age Lithic Assemblages in Eastern.
M. Sakai, Y. Lai, J. O. Canales, M. Hayashi, K. Nomura, (2023). Accelerating the discovery of new Nasca geoglyphs using deep learning. J. Archaeol. Sci. 155, 105777 , DOI: https://doi.org/10.1016/j.jas.2023.105777.
J. Achiam et al., (). Gpt-4 technical report. arXiv [Preprint] (2023). DOI: https://doi.org/10.48550/arXiv.2303.08774
A. Voulodimos, N. Doulamis, A. Doulamis, E. Protopapadakis, (2018). Deep learning for computer vision: A brief review. Comput. Intel. Neurosci., 7068349, DOI: https://doi.org/10.1155/2018/7068349.
Khan, S., Naseer, M, Hayat, M., Hayat, S. Waqas Zamir.Khan, F., Mubarak, S. (2022). Transformers in Vision: A Survey. ACM Comput. Surv. 54, 10s, Article 200, 41 pages. DOI: https://doi.org/10.1145/3505244
Berganzo-Besga, I., Orengo, H., Lumbreras, F., Carrero-Pazos, M., Fonte, J., Vilas-Estévez, B. (2021). Hybrid MSRM-Based Deep Learning and Multitemporal Sentinel 2-Based Machine Learning Algorithm Detects Near 10k Archaeological Tumuli in North-Western Iberia. Remote Sensing;13(20):4181. DOI:https://doi.org/10.3390/rs13204181
C. M. Albrecht et al., (2019). “Learning and recognizing archeological features from LiDAR data” in IEEE International Conference on Big Data (2019), pp. 5630–5636, DOI: https://doi.org/10.1109/BigData47090.2019.9005548.
D. S. Davis, G. Caspari, C. P. Lipo, M. C. Sanger, (2021). Deep learning reveals extent of Archaic Native American shell-ring building practices. J. Archaeol. Sci. 132, 105433.
Argyrou, A. Agapiou, (2022). A review of artificial intelligence and remote sensing for archaeological research. Remote Sens. 14, 6000 , DOI :https://doi.org/10.3390/rs14236000.
Sakai M, Sakurai A, Lu S, Olano J, Albrecht CM, Hamann HF, Freitag M. (2024). AI-accelerated Nazca survey nearly doubles the number of known figurative geoglyphs and sheds light on their purpose. Proc Natl Acad Sci U S A. 2024 Oct;121(40): e2407652121. DOI: 10.1073/pnas.2407652121.
Tsigkas, G., Giorgos S., Anastasios P., Andreas V., Christophoros N. (2020).Markerless Detection of Ancient Rock Carvings in the Wild. Pattern Recognition Letters 135:337–345.
Kogou, S., Golnaz S., Andrei L., Haida L., Biwen S., Wenyuan Z., Bomin S., Sam, v. (2020). From Remote Sensing and Machine Learning to the History of the Silk Road: Large Scale Material Identification on Wall Paintings. Scientific Reports 10:19312. DOI:10.1038/s41598-020-76457-9.
Graham, S., Huffer, D. (2020). Reproducibility, Replicability, and Revisiting the Insta-Dead and the Human Remains Trade. Internet Archaeology. DOI: 10.11141/ia.55.11.
Gutherz, G., Gordin, S., Sáenz, L., Levy O., Berant, J.. (2023). Translating Akkadian to English with neural machine translation. PNAS Nexus.
Sanders H. (2018). Neural Networks, AI, Phone-Based VR, Machine Learning, Computer Vision and the CUNAT Automated Translation App—Not Your Father’s Archaeological Toolkit. In 2018 3rd Digital Heritage International Congress (DigitalHERITAGE) held jointly with 2018 24th International Conference on Virtual Systems & Multimedia, 1–5. DOI:10.1109/DigitalHeritage.2018.8810002.
Bickler, S. H. (2021). Machine Learning Arrives in Archaeology. Advances in Archaeological Practice, 9(2), 186–191. doi:10.1017/aap.2021.6
Tenzer, M., Pistilli, G., Bransden, A., & Shenfield, A. (2024). Debating AI in Archaeology: applications, implications, and ethical considerations. Internet Archaeology, (67).
1 کاربرد هوش مصنوعی در باستان‌شناسی
پیام باستان‌شناس شاپا چاپی: ۴۲۸۵-۲۰۰۸ شاپا الکترونیکی: 9886-2980 دورة ۱۶، شمارة ۳۱، پاییز و زمستان ۱۴۰۳ |
|
|
علی علی‌جماعت۱
۱ استادیار، گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد ابهر، ابهر، ایران. نویسندهٔ مسئول: jamaat@kiau.ac.ir
چکیده |
| اطلاعات مقاله: |
دانش باستان‌شناسی برای درک، تجزیه‌وتحلیل تاریخ و فرهنگ‌های انسانی، اهمیت فراوانی دارد. این دانش کمک می‌کند تا گذشته انسان در زمینه‌های مختلف مانند معماری، هنر، اجتماعی، اقتصادی و مذهب به‌درستی مطالعه شود. باستان‌شناسی امکان فهم بهتری از ریشه‌ها، اصالت فرهنگ‌ها و نهادهای را فراهم می‌نماید. تحقیقات در باستان‌شناسی زمینه‌های گوناگونی دارد مانند شناسایی سایت، کاوش سایت‌ها، تحلیل شکل‌ها و خطوط، ترمیم و تجزیه‌وتحلیل بقایای فیزیکی و آثار که همه آن‌ها فرایندی زمان‌بر می‌باشد. باستان‌شناسی به مطالعه گذشته می‌پردازد ولی جامعه باستان شناسان سعی کرده‌اند از فن‌آوری‌های روز مانند هوش مصنوعی در پژوهش‌های خود استفاده نمایند. هوش مصنوعی در سال‌های اخیر به دلیل دسترسی به سخت‌افزارهای توانمند و داده‌های زیاد رشد چشمگیری داشته و در زمینه‌های مختلف باستان‌شناسی مورداستفاده قرارگرفته است. این فن‌آوری درحال ایجاد تحول درروش کشف باستان‌شناسی و تجزیه‌وتحلیل آثار می‌باشد. هوش مصنوعی می‌تواند در شناسایی سایت‌ها، تحلیل محتوا، ترجمه و تفسیر متن‌ها، ترمیم و زمینه‌های دیگر به‌عنوان ابزار کمی به متخصصین کمک نموده و امکان پردازش داده‌های بزرگ که طی دهه‌ها تحقیق گردآوری و ذخیره‌شده را فراهم نماید. باوجود کاربردهای متعدد هوش مصنوعی در باستان‌شناسی که موجب افزایش سرعت و دقت در کارها شده است، این فناوری جایگزین محققان انسانی نمی‌شود، بلکه به‌عنوان ابزار توانایی‌های متخصصین را افزایش داده و آن‌ها را قادر می‌سازد پیشینه و تاریخ را عمیق‌تر کاوش کرده و درک بهتری به دست آورند. در این کار چالش‌ها و موانعی نیز وجود دارد که در این مقاله کاربردها و چالش‌ها موردبررسی قرار می‌گیرد. |
| تاریخ‌ها: دریافت: ۱۴/۰۷/۱۴۰۳ پذیرش: ۱۴/۱۱/۱۴۰۳ |
| واژگان کلیدی: باستان‌شناسی هوش مصنوعی یادگیری ماشین یادگیری عمیق
|
مقدمه
مطالعه باستان‌شناسی درک بهتری از تکامل انسان و تأثیرات مختلف فرهنگ‌ها را ارائه می‌دهد. این دانش ما را با میراث فرهنگی جهانی آشنا نموده و امکان مطالعه در مورد چگونگی رشد و تغییرات جوامع انسانی از گذشته تا حال را فراهم می‌کند. اصطلاح هوش مصنوعی که زمانی به داستان‌های علمی تخیلی تعلق داشت، اکنون در تمام جنبه‌های زندگی گسترش‌یافته است. از گوشی‌های هوشمند تا وسایل نقلیه خودران و به بخشی جدایی‌ناپذیر از زندگی روزمره تبدیل‌شده است. این فناوری در بسیاری از رشته‌ها مانند مراقبت‌های بهداشتی، امور مالی، آب‌وهوا و اکتشاف فضا به کار گرفته‌شده و تحول بزرگی ایجاد کرده است. این دانش در پردازش حجم وسیعی از داده‌ها، شناسایی الگوها و پیش‌بینی، مرزهای جدیدی از دانش و نوآوری را گشوده است.
ظهور هوش مصنوعی در باستان‌شناسی بدون شک یک تحول بزرگ بوده و به‌عنوان ابزار، توانایی‌های محققین را در جهت افزایش دقت و سرعت فراهم می‌کند. این فناوری نوعی شبیه‌سازی هوش انسانی در رایانه بوده و منظور از هوش مصنوعی درواقع ماشینی است که به‌گونه‌ای برنامه‌نویسی شده که همانند انسان فکر کرده و توانایی تقلید از رفتار انسان را داشته باشد.
تحقیقات باستان‌شناسی به‌طور سنتی یک فرآیند بسیار وقت‌گیر برای باستان‌شناسان می‌باشد که مکان‌ها را با جزئیات کاوش کرده، بقایای فیزیکی و آثار را با دقت زیاد بررسی می‌کنند. با کمک هوش مصنوعی، محققان اکنون می‌توانند داده‌ها را با سرعت بالایی پردازش و تجزیه‌وتحلیل نمایند. الگوریتم‌های یادگیری ماشینی می‌توانند هزاران تصویر از اشیاء باستانی را تحلیل نموده و الگوها و ارتباطاتی را که برای انسان قابل‌تشخیص نیست را در آن‌ها شناسایی نماید. این امر نه‌تنها زمان موردنیاز برای کشف، بلکه هزینه اکتشاف را به میزان قابل‌توجهی کاهش می‌دهد.
هوش مصنوعی روند تحقیقات باستان‌شناسی را سرعت بخشیده و دقت اکتشافات را بهبود می‌دهد. الگوریتم‌های یادگیری ماشینی می‌توانند داده‌ها را با دقتی بسیار فراتر از توانایی‌های انسان تجزیه‌وتحلیل نموده و نیز الگوها و ناهنجاری‌هایی را که ممکن است توسط انسان‌ها موردتوجه قرار نگیرد، شناسایی نمایند و تفسیر دقیق‌تر از داده‌های باستان‌شناسی را فراهم سازند. این دقت بالا، دستیابی به درک عمیق‌تری از تاریخ را فراهم می‌کند و اطلاعات جدیدی در مورد اجداد و تمدن‌های مرتبط ارائه نموده و آسیب احتمالی به مصنوعات قابل‌کشف را کاهش می‌دهد.
باستان‌شناسی سایبری پلی بین علوم کامپیوتر و باستان‌شناسی می‌باشد. این فناوری تحولی در جمع‌آوری داده‌ها، تجزیه‌وتحلیل، تجسم و انتشار دانش باستان‌شناسی ایجاد کرده است (Forte and Danelon, 2022:1).
در سال‌های اخیر، هوش مصنوعی، ازجمله یادگیری ماشین و یادگیری عمیق، کاربردهای مختلفی در باستان‌شناسی پیداکرده است. نمونه‌هایی از این کاربردها شامل شناسایی مکان‌ها و گسترش سایت‌های باستان‌شناسی، نقشه‌برداری از پراکندگی آثار باستانی (Guyot et al., 2021: 1; Davis et al., 2021:54; Trier et al., 2021: 20) شناسایی مصنوعات و طبقه‌بندی آن‌ها (Ebrel et al., 2023: 152; Coleo et al., 2022: 105) و پیش‌بینی برای مصنوعات باستانی (Nobeil et al., 2022: 7; Troiano et al., 2024: 270 ) است.
ماهیت متنوع مصنوعات باستان‌شناسی، شامل تغییرات گونه شناسی و فنّاورانه، پتانسیل قابل‌توجهی را برای به‌کارگیری این روش‌ها ارائه می‌دهد. این پتانسیل توسط طیف گسترده‌ای از الگوریتم‌های موجود در هوش مصنوعی تقویت می‌شود و انعطاف‌پذیری را در پرداختن به انبوهی از پارامترها و متغیرهای ذاتی در مطالعات باستان‌شناسی ارائه می‌دهد (Troiano et al., 2024: 1 )
در این مقاله ابتدا مفاهیم هوش مصنوعی بررسی می‌شود، سپس کاربردهای مختلف هوش مصنوعی در باستان‌شناسی ارائه‌شده و پس‌ازآن چالش‌ها بررسی می‌شوند و در پایان ضمن نتیجه‌گیری، راهکارهای پیشنهادی ارائه می‌گردد.
هوش مصنوعی
اصطلاح هوش مصنوعی1 برای توصیف ماشینی به کار می‌رود که می‌تواند فعالیت‌های شناختی وابسته به ذهن انسان ازجمله «یادگیری» و «حل مسئله» را انجام دهد. هوش مصنوعی به توانایی تفکر یا یادگیری کامپیوتر یا ماشین گفته می‌شود. هوش مصنوعی دارای زیرشاخه‌های مختلفی مانند یادگیری ماشین و یادگیری عمیق است که در شکل ۱ آمده است. یادگیری ماشین بر اساس داده‌های موجود امکان استخراج مدل برای پیش‌بینی را فراهم می‌کند. برای یادگیری بهتر و ایجاد مدل دقیق، الگوریتم‌های یادگیری ماشین به مقادیر زیادی داده‌های آموزشی نیاز دارند.
به‌طورکلی یادگیری ماشین برای طبقه‌بندی داده‌ها بر اساس مدل‌های ایجادشده و پیش‌بینی نتایج آینده بر اساس این مدل‌ها به‌کار می‌رود. رویکردهای یادگیری ماشین بر اساس ماهیت مسئله و داده‌ها یا مشاهدات موجود به سه گروه تقسیم می‌شوند:
- یادگیری باناظر
- یادگیری بدون ناظر
- یادگیری تقویتی
در روش باناظر داده‌های موجود دارای برچسب بوده و مدل بر اساس رابطه بین ویژگی‌ها داده‌ها ایجاد می‌شود. در روش بدون ناظر داده‌ها بدون برچسب بوده و مدل باید بین ویژگی‌ها، الگو و رابطه‌هایی استخراج نماید. در روش یادگیری تقویتی مدل بر اساس تعامل با محیط و بر اساس بازخورد از محیط و پاداش ایجاد می‌شود. درروش های مختلف یادگیری ماشین بر اساس ماهیت مسئله و نوع داده‌ها، الگوریتم‌های مختلفی بکار می‌رود که متداول‌ترین آن‌ها در شکل ۲ آمده است.
از روش‌های باناظر یادگیری ماشین به دلیل دقت بالا در زمینه‌های مختلف استفاده می‌شود که مراحل مدل‌سازی آن در شکل ۳ آمده است.
در فرایند یادگیری ماشین پس از گردآوری داده‌ها، بر روی آن‌ها پیش‌پردازش انجام می‌شود تا برای اعمال الگوریتم‌ها مناسب‌سازی شوند. در مرحله بعد با روش‌های مختلف انتخاب ویژگی انجام می‌گیرد بدین‌صورت که ویژگی‌های کم تأثیر حذف و ویژگی‌هایی مشابه حذف یا ادغام می‌شوند، این کار ابعاد مجموعه داده را کاهش داده و مدل‌سازی سریع‌تر انجام می‌شود سپس داده‌ها به دو گروه آموزشی و آزمایشی تقسیم می‌شوند که با استفاده از داده‌های آموزشی و الگوریتم‌های یادگیری ماشین، مدل‌سازی انجام می‌گیرد. در پایان مدل ایجادشده بر اساس معیارهای مرتبط به مسئله و بر روی داده‌های آزمایشی مورد ارزیابی قرار می‌گیرد.
یادگیری عمیق زیرمجموعه یادگیری ماشین می‌باشد که مبتنی بر شبکه‌های عصبی چندلایه (عمیق) بوده و برای طبقه‌بندی و پیش‌بینی داده‌های مختلف مانند تصویر به‌کار می‌رود.
یادگیری ماشین در باستان‌شناسی
یادگیری ماشینی توسط باستان شناسان برای تجزیه‌وتحلیل از داده‌های مکانی، متنی، طبیعی و هنری مورداستفاده قرار می‌گیرد. الگوریتم‌های متداول به‌ویژه برای شناسایی و طبقه‌بندی سریع ویژگی‌ها و اشیاء باستان‌شناسی مناسب می‌باشند.
یادگیری ماشینی این امکان را فراهم می‌کند که رایانه‌ها از داده‌ها یاد گرفته، سپس بر اساس داده‌های جدید پیش‌بینی کنند. به‌طورکلی، یادگیری ماشین از تکنیک‌های آماری برای تجزیه‌وتحلیل مجموعه‌ای از داده‌های آموزشی طبقه‌بندی‌شده استفاده می‌کند. (شکل ۴).
فرایند مدل‌سازی پیش‌بینی کننده
مهم‌ترین کاربرد امروزی یادگیری ماشین در باستان‌شناسی ایجاد مدل بر اساس داده‌های موجود برای پیش‌بینی می‌باشد؛ مانند پیش‌بینی مکان سایت باستانی، تجزیه‌وتحلیل بقایای فیزیکی، شناسایی بخش‌های آسیب‌دیده که مراحل کلی آن به‌صورت زیر است:
- جمع‌آوری داده: گردآوری داده از منابع مختلف مانند تصاویر، اسناد و متون مهم‌ترین بخش در یادگیری ماشین است. ا مدل‌سازی بر پایه داده‌های موجود انجام می‌شود، تعداد و کیفیت داده‌ها و برچسب‌گذاری درست آن‌ها می‌تواند دقت مدل را به میزان زیادی بهبود دهد.
- تشخیص الگو: بر اساس ماهیت مسئله و نوع داده‌ها برای شناسایی الگوها از میان ویژگی داده‌های، الگوریتم‌های یادگیری ماشین استفاده می‌شوند و خروجی این مرحله یک مدل می‌باشد.
- پیش‌بینی: مدل ایجادشده در مرحله قبل برای پیش‌بینی بر روی داده‌های جدید بکار می‌رود تا مکان سایت جدید، موقعیت مکان‌های کشف نشده، خوانش متون و مانند آن پیش‌بینی شود.
اگرچه یادگیری ماشین را می‌توان برای طیف وسیعی از داده‌های دیجیتال اعمال کرد ولی امروزه باستان شناسان به‌طور گسترده بر روی انواع زیر تمرکز نموده‌اند:
• داده‌های عددی
• داده‌های متنی
• تصاویر
• داده‌های جغرافیایی
[1] Artificial Intelligence
شکل ۱:هوش مصنوعی و زیرشاخه‌های آن
شکل ۲: انواع الگوریتم‌های یادگیری ماشین
شکل ۳: فرایند یادگیری ماشین در روش با ناظر
شکل ۴: نمای کلی و از فرآیند یادگیری ماشین اعمال‌شده بر داده‌های باستان‌شناسی، نشان‌دهنده نمونه‌ای از تطبیق الگوهای تزئینی روی سرامیک‌های تاریخی است (Bickler, 2021:186)
کاربردهای یادگیری ماشین در باستان‌شناسی
· تفسیر بقایای موجود در محوطه‌های باستانی
در حالت عادی تفسیر و مطالعه آثار کشف‌شده از یک حفاری می‌تواند سال‌ها به طول انجامد. به باور کارشناسان، ظهور هوش مصنوعی در باستان‌شناسی نه‌تنها روند کشف حقایق را تسریع می‌کند؛ بلکه متخصصین را قادر می‌سازد تا بینش جدیدی از تاریخ به دست آورند.
الگوریتم‌های یادگیری ماشینی می‌توانند داده‌های هزاران شیء مختلف را به‌طور هم‌زمان پردازش نموده، الگوها و ارتباطاتی را که انسان نمی‌تواند تشخیص دهد، به‌راحتی شناسایی نمایند. این کاربرد کاهش قابل‌توجهی در هزینه و زمان در مطالعات باستان‌شناسی خواهد داشت. هوش مصنوعی دقت اکتشافات را نیز بهبود می‌بخشد زیرا این فناوری می‌تواند الگوها و ناهنجاری‌هایی را که ممکن است توسط انسان‌ها موردتوجه قرار نگیرد، شناسایی کرده و تفسیر دقیق‌تری از داده‌های باستان‌شناسی را امکان‌پذیر سازد. به‌عنوان‌مثال، یادگیری ماشین برای طبقه‌بندی الگوی سبک‌های سفال استفاده به‌کار رفته است (Bickler et al., 2018: 20; Chetouani et al., 2020: 1; Romanengo et al., 2020: 405).
· شناسایی موقعیت محوطه‌های باستان‌شناسی
نمونه موفق از بهره‌گیری هوش مصنوعی در دنیای باستان‌شناسی، روش نوین مدل‌سازی و پیش‌بینی است. این تکنیک از هوش مصنوعی پیش‌بینی موقعیت مکانی سایت‌های باستان‌شناسی بر اساس الگوهای موجود در داده‌های شناسایی‌شده را انجام می‌دهد. این کاربرد روش تاکنون امکان شناسایی بسیاری از محوطه‌های ناشناخته را فراهم نموده است (Trier et al., 2021: 20 ; Davis et al., 2021:54).
باستان‌شناسی، بیشترین استفاده از یادگیری ماشین مربوط به داده‌های مکانی باشد. دسترسی فزاینده به تصاویر برچسب دار، ماهواره‌ای و هوایی در مقیاس‌های محلی، منطقه‌ای و ملی، باستان‌شناسی را به‌ویژه در جستجو و نقشه‌برداری از مکان‌های باستانی متحول نموده است (شکل ۴). الگوریتم‌های یادگیری ماشین را می‌توان برای پردازش داده‌های مکانی در جستجوی مکان‌ها در محیط‌های متنوع استفاده نمود (Bonhage et al., 2021: 15; Caspari et al., 2019: 25; Davis et al., 2020: 45; Verschoof et al., 2020: 293).
· بازسازی
از هوش مصنوعی برای بازسازی محیط‌ها و رویدادهای تاریخی استفاده می‌شود. در رویکرد باستان‌شناسی مدرن، با استفاده از داده‌های به‌دست‌آمده از سایت‌های باستان‌شناسی، می‌توان مدل‌های سه‌بعدی واقع‌گرایانه از شهرهای باستانی ایجاد کرده و یا رویدادهای تاریخی را با دقت زیاد شبیه‌سازی نمود.
این بازسازی‌های مجازی نه‌تنها پنجره‌ای جذاب به تاریخ ارائه می‌کنند، بلکه به‌عنوان ابزار آموزشی ارزشمندی عمل کرده و محققان، دانشجویان و عموم مردم را قادر می‌سازد تا تجربه‌ای دست‌اول از زندگی در روزگار گذشته داشته باشند. به‌عنوان‌مثال در بازسازی ظروف بر اساس تطبیق الگوی اشکال و دکوراسیون یا به‌عنوان حل‌کننده پازل از هوش مصنوعی استفاده‌شده است (Ostertag et al., 2019: 336; Felicetti et al., 2021:25; Cintas et al., 2020: 106).
· نگهداری و نمایش آثار
هوش مصنوعی در نحوه نگهداری و نمایش یافته‌های باستان‌شناسی تحول ایجاد کرده است و فناوری حفاظت دیجیتال مبتنی بر هوش مصنوعی می‌تواند نماهای سه‌بعدی دقیقی از مصنوعات، ساختمان‌ها و حتی کل سایت‌های باستان‌شناسی ایجاد کند که این مدل‌ها را می‌توان به‌طور مجازی برای تجربه‌ای فراگیرتر و تعاملی‌تر موردمطالعه و بررسی قرارداد. این موضوع نه‌تنها درک ما را از گذشته افزایش می‌دهد، بلکه باستان‌شناسی را برای عموم قابل‌دسترس‌تر می‌کند.
شکل ۴: مثالی از چگونگی به‌کارگیری یادگیری ماشینی برای شناسایی ویژگی در داده‌های مکانی و بازسازی یک محوطه (Bickler, 2021:186).
· تحلیل تصاویر
پردازش تصاویر با استفاده از یادگیری ماشین یکی از کاربردی‌ترین زمینه‌ها برای باستان شناسان بوده است. تصاویر از عکس گرفته تا طرح‌های تلطیف شده از اشیاء باستان‌شناسی متفاوت است. به‌طورمعمول، یادگیری ماشین برای شناسایی اشیاء در تصاویر، توصیف عناصر ساختاری (Kogou et al., 2020:20; Tsigkas et al., 2020: 337.) و تجزیه‌وتحلیل طرح‌ها و همچنین ابزار و ظرف استفاده می‌شود که شناسایی استخوان صدف یا حیوان (Huffer et al., 2020: 1) و مستندسازی ساییدگی و آسیب استفاده در ابزارها (Grove et al., 2020: 337 ) نمونه‌هایی از این کاربردها می‌باشد.
تشخیص ژئوگلیف نمونه دیگری از این نوع کاربرد است که در سال‌های اخیر کاربرد وسیعی در باستان‌شناسی داشته است. روش مطالعه سنتی که تا پیش‌ازاین برای شناسایی این تپه‌نگاره‌ها استفاده می‌شد و از طریق بررسی مستقیم تصاویری با وضوح و کیفیت بالا از منطقه صورت می‌گرفت، زمان‌بر و مستعد خطا بود. بسیاری از این طرح‌های باستانی ممکن بود در این روش نادیده گرفته شوند. ( Sakai et al.,2024:105)
موفقیت یادگیری عمیق نه‌تنها مدل‌های زبانی (Achiam et al., 2023: l) بلکه بینایی کامپیوتری (Voulodimos et al., 2018: 1; Khan et al., 2022:1) را نیز متحول نموده است و تشخیص خودکار اشیا مختلف یا انواع پوشش زمین در تصاویر سنجش از راه دور را عملی کرده است. در زمینه باستان‌شناسی، جایی که اشیاء موردنظر کم‌رنگ تا حدی مسدود شده یا حتی در زیرخاک مدفون هستند، این نوع از هوش مصنوعی با موفقیت به کار گرفته‌شده است (Argyrou et al., 2022:1; Davis et al., 2021:105; Albrecht et al., 2019: 5630; Berganzo et al., 2021: 41). پژوهشگران، ۴ ژئوگلیف نازکا جدید را با استفاده از یک الگوریتم تشخیص شیء پیشرفته شناسایی کرده‌اند (Sakai et al., 2023:105).
یک مطالعه علمی توسط محققان ژاپنی که با استفاده از هوش مصنوعی صورت گرفته، زمینه کشف حدود ۳۰۳ نقش تپه‌نگاره جدید در صحرای نازکا واقع در جنوب پرو را فراهم نمود. قدمت برخی از این خطوط و اشکال پررمزوراز به بیش از ۲۰۰۰ سال پیش بازمی‌گردد. نتایج تحقیق نشان‌دهنده افزایش ۱۶ برابری نرخ کشف اشکال جدید به کمک هوش مصنوعی بوده و بیانگر آن است که این فناوری تا چه اندازه می‌تواند به کشفیات سرعت ببخشد چراکه که کشف ۴۳۰ تپه‌نگاره قبلی در نازکا تقریباً یک قرن زمان برده بود (Sakai et al., 2024:1) و نمونه این نقوش در شکل ۵ آمده است.
شکل ۵: نمونه‌های از تپه‌نگارهای کشف‌شده در پرو
· پردازش متن: استفاده از فناوری هوش مصنوعی برای تجزیه‌وتحلیل متن چالش‌برانگیزتر است. زبان پیچیده با ابهامات و معنای پنهان فراتر از ساختار متن خالص است.
آخرین فناوری مطرح در هوش مصنوعی مدل‌سازی زبان‌های بزرگ (LLM) می‌باشد که نمونه‌های متعددی از آن برای استفاده به‌عنوان دستیار ارائه‌شده است مانند ChatGPT که با این ابزارها امکان بررسی متون باستان‌شناسی برای پاسخ به سؤالات محققین در سطح بسیار وسیع فراهم‌شده است. یادگیری عمیق برای این کار مورداستفاده قرارگرفته است برای مثال استفاده از شبکه‌های عصبی کانولوشنال برای ترجمه الواح خط میخی زبان‌های سومری و اکدی قدیمی (Gutherz et al., 2023: 1). استفاده‌شده‌اند. هوش مصنوعی مولد به بازآفرینی مناظر گذشته برای تحقیقات فراگیرتر در این زمینه کمک می‌کند. نمونه دیگر، ترجمه زبان‌های باستانی مانند هیروگلیف مصری می‌باشد (Sanders et al., 2018: 1).
باستان شناسان با کمک هوش مصنوعی لوح‌های خط میخی را ترجمه کرده‌اند. همکاری باستان شناسان و دانشمندان کامپیوتر، منجر به برنامه‌ای با کمک هوش مصنوعی شده است که به‌سرعت می‌تواند لوح‌های باستانی را ترجمه کند.
این فناوری جدید می‌تواند در زمینه‌های مختلف ازجمله باستان‌شناسی، تاریخ و زبان‌شناسی کاربرد داشته باشد. به‌عنوان‌مثال، می‌توان از آن برای خواندن متون و اسناد خط میخی که به‌خوبی حفظ نشده‌اند استفاده کرد. همچنین می‌توان از آن برای مقایسه متن کتیبه‌های مختلف استفاده کرد و اطلاعات جدیدی در مورد تاریخ و فرهنگ تمدن‌های باستانی به دست آورد. رمزگشایی از متون نیز یکی از زمینه‌های استفاده از هوش مصنوعی در باستان‌شناسی است.
علاوه بر مدل‌سازی پیش‌بینی کننده، هوش مصنوعی شیوه تحلیل و تفسیر یافته‌های باستان‌شناسی را تغییر داده و الگوریتم‌های یادگیری ماشینی می‌توانند الگوها و ارتباطاتی را در داده‌هایی که به‌سختی برای انسان قابل‌درک هستند، شناسایی کنند. برای مثال، هوش مصنوعی می‌تواند سفال‌ها یا پیکتوگرام های باستانی را در جستجوی عناصر سبکی تجزیه‌وتحلیل کند. در این مسیر هوش مصنوعی بسیار بهتر از انسان، شباهت‌ها و تفاوت‌های کوچک را شناسایی کرده و بینش‌هایی جدید در مورد مبادلات فرهنگی، مهاجرت انسانی و تغییرات اجتماعی ارائه می‌کند.
آینده هوش مصنوعی در باستان‌شناسی
استفاده از هوش مصنوعی در باستان‌شناسی هنوز در مراحل اولیه می‌باشد اما پتانسیل فراوانی وجود دارد که با استفاده از فناوری‌های جدید مانند شبکه‌های مولد، تصویربرداری‌های پیشرفته و الگوریتم‌های بهبودیافته، ارتباط‌های ناشناخته‌ای بین مصنوعات و آثار باستانی با دوره‌های زمانی مختلف و تمدن‌های متفاوت به دست آید.
چالش‌ها
بحث بسیار مهم در این زمینه، مسئله اخلاق و جلوگیری از سوءاستفاده از اطلاعات به‌دست‌آمده است. ازآنجایی‌که پیش‌بینی می‌شود طی سال‌های آینده استفاده از هوش مصنوعی به‌طور فزاینده‌ای در باستان‌شناسی فراگیر شود، اطمینان از اینکه از اطلاعات فوق به‌طور مسئولانه استفاده می‌شود، بسیار مهم خواهد بود.
ادغام هوش مصنوعی در باستان‌شناسی بدون ملاحظات اخلاقی میسر نیست. اعتماد به اطلاعات تولیدشده توسط هوش مصنوعی با نگرانی در مورد سوء گیری الگوریتمی و نفوذ سیاسی توسعه‌دهندگان همچنان یک موضوع پیچیده است. دیدگاه‌ها در مورد نتایج قابلیت اطمینان نتایج هوش مصنوعی یک بحث مهم است که نیاز به هوشیاری و چارچوب‌های اخلاقی را برجسته می‌کند.
علیرغم تأثیر انقلابی هوش مصنوعی بر باستان‌شناسی، محدودیت‌های انسانی همچنان پابرجاست. اثربخشی مصنوعی سیستم‌های اطلاعاتی منوط به دانش و تعهد توسعه‌دهندگانی است که این ابزارها را توسعه داده و اصلاح می‌کنند. درحالی‌که هوش مصنوعی فرآیندها را تسریع می‌کند، اما همچنان ابزاری است که توسط انسان ایجاد و کنترل می‌شود، مشروط به تعصبات و محدودیت‌های سازندگان آن.
هنوز اکثر مدل‌های یادگیری ماشین داده‌های باستان‌شناسی احتمالاً نسبت به روش‌های سنتی متخصص کمتر قابل‌اعتماد هستند، زیرا هنوز قادر به مدیریت دامنه تنوع و ناسازگاری داده‌های باستان‌شناسی نیستند. مهم‌ترین مانع بر سر راه ساختن مدل‌های خوب یادگیری ماشین این است که وقتی بر روی پایگاه‌های اطلاعاتی بزرگ مانند هزاران تصویر فهرست بندی شده یا مطالب با منبع قابل‌اعتماد ساخته می‌شوند، بهترین عملکرد رادارند که دستیابی به آن‌ها دشوار است.
در این رشته، نگرانی‌های پیرامون حریم خصوصی، تعصب و ایجاد مدل برای تدوین سیاست‌ها و تصمیم‌گیری حیاتی هستند. برای مثال، الگوریتم‌های هوش مصنوعی در تجزیه‌وتحلیل داده‌های باستان‌شناسی می‌توانند به‌طور ناخواسته منجر به تفسیرهای مغرضانه از رویدادهای تاریخی یا تقویت ساختارهای قدرت موجود در صورت استفاده از مدل‌ها شوند.
تکیه‌بر فناوری هوش مصنوعی در باستان‌شناسی مضرات خاصی را نیز به همراه دارد. یکی از نگرانی‌ها خطر اتکای بیش‌ازحد به الگوریتم‌های هوش مصنوعی است که می‌تواند منجر به کاهش تصمیم‌گیری انسانی و تفکر انتقادی در فرآیند تحقیق شود. علاوه بر این، هزینه‌های اولیه اجرای سیستم‌های هوش مصنوعی و نیاز به آموزش تخصصی باستان‌شناسان برای استفاده مؤثر از ابزارهای هوش مصنوعی، موانع بالقوه‌ای برای پذیرش گسترده است.
نتیجه آنکه ادغام فناوری هوش مصنوعی در باستان‌شناسی نشان‌دهنده یک تغییر رویکرد درروش کاوش و درک گذشته است. با پرداختن به چالش‌های کلیدی، مانند ملاحظات اخلاقی و سوگیری‌های بالقوه و به حداکثر رساندن مزایای هوش مصنوعی در تجزیه‌وتحلیل داده‌ها و شناسایی سایت، محققان می‌توانند ابعاد جدیدی از دانش تاریخی را باز کنند. درحالی‌که موانعی برای غلبه بر وجود دارد بااین‌وجود همکاری بین هوش مصنوعی و باستان‌شناسی نوید کشف و حفظ میراث مشترک ما را به روش‌های نوآورانه و تأثیرگذار می‌دهد.
نتیجه‌گیری
هوش مصنوعی برای تعمیق درک متخصصین از تاریخ بشر و غنی‌سازی میراث فرهنگی قابل‌استفاده است. آینده اکتشافات باستان‌شناسی نه‌تنها در دل لایه‌های زمین، بلکه در حوزه دیجیتال نیز نهفته است، جایی که هوش مصنوعی نقش مهمی را ایفا خواهد کرد. یادگیری ماشین می‌تواند به‌طور قابل‌توجهی به شناسایی نمونه‌های باستان‌شناسی با استفاده از مجموعه‌ای از داده‌ها کمک کند. استقرار هوش مصنوعی در این رشته باید در کنار توسعه استراتژی‌ها و دستورالعمل‌های مناسب برای محافظت از استفاده مسئولانه، منصفانه و پایدار از این فناوری جدید بکار رود. البته این مسئله را نیز باید مدنظر قرارداد که برخلاف بسیاری از حوزه‌ها، هوش مصنوعی هیچ‌گاه قادر به جایگزینی باستان‌شناسان نمی‌شود زیرا درنهایت عملیات حفاری، تفسیر نهایی و نتیجه‌گیری تنها از عهده باستان‌شناس برآمده و هوش مصنوعی می‌تواند انسان را در تفسیر این یافته‌ها کمک کند. با توجه به گسترش استفاده از هوش مصنوعی، پیشنهاد می‌شود در سرفصل‌های درسی رشته‌های باستان‌شناسی و مرمت، فناوری‌هایی مانند هوش مصنوعی و کاربردهای آن در نظر گرفته شود.
منابع
Achiam, J., Adler, S., Agarwal, S., Ahmad, L., Akkaya, I., Aleman, F. L., Almeida, D., Altenschmidt, J., Altman, S., Anadkat, S., & Avila, R. (2023). GPT-4 technical report. arXiv preprint, arXiv:2303.08774. https://doi.org/10.48550/arXiv.2303.08774
Albrecht, C. M., Sakai, M., Sakurai, A., Olano, J., Hamann, H. F., & Freitag, M. (2019). Learning and recognizing archeological features from LiDAR data. In 2019 IEEE International Conference on Big Data (Big Data) (pp. 5630–5636). IEEE. https://doi.org/10.1109/BigData47090.2019.9005548
Argyrou, A., & Agapiou, A. (2022). A review of artificial intelligence and remote sensing for archaeological research. Remote Sensing, 14(23), 6000. https://doi.org/10.3390/rs14236000
Berganzo-Besga, I., Orengo, H. A., Lumbreras, F., Carrero-Pazos, M., Fonte, J., & Vilas-Estévez, B. (2021). Hybrid MSRM-based deep learning and multitemporal Sentinel-2-based machine learning algorithm detects near 10k archaeological tumuli in north-western Iberia. Remote Sensing, 13(20), 4181. https://doi.org/10.3390/rs13204181
Bickler, S. H. (2018). A machine learning identification and classification of historic ceramics. Archaeology in New Zealand, 61(1), 20–32.
Bickler, S. H. (2021). Machine learning arrives in archaeology. Advances in Archaeological Practice, 9(2), 186–191. https://doi.org/10.1017/aap.2021.6
Bonhage, A., Eltaher, M., Raab, T., Breuß, M., Raab, A., & Schneider, A. (2021). A modified mask region-based convolutional neural network approach for the automated detection of archaeological sites. Archaeological Prospection. https://doi.org/10.1002/arp.1806
Caspari, G., & Crespo, P. (2019). Convolutional neural networks for archaeological site detection: Finding “princely” tombs. Journal of Archaeological Science, 10, 104998. https://doi.org/10.1016/j.jas.2019.104998
Chetouani, A., Treuillet, S., Exbrayat, M., & Jesset, S. (2020). Classification of engraved pottery sherds mixing deep-learning features. Pattern Recognition Letters, 131, 1–7.
Cintas, C., Lucena, M., Fuertes, J. M., Delrieux, C., Navarro, P., González-José, R., & Molinos, M. (2020). Automatic feature extraction and
classification of Iberian ceramics. Journal of Cultural Heritage, 41, 106–112.
Cole, K. E., Yaworsky, P. M., & Hart, I. A. (2022). Evaluating statistical models for establishing morphometric taxonomic identifications. Journal of Archaeological Science, 143, 105610. https://doi.org/10.1016/j.jas.2022.105610
Davis, D. S., Caspari, G., Lipo, C. P., & Sanger, M. C. (2021). Deep learning reveals extent of Archaic Native American shell-ring building practices. Journal of Archaeological Science, 132, 105433. https://doi.org/10.1016/j.jas.2021.105433
Davis, D. S., Seeber, K. E., & Sanger, M. C. (2020). Addressing the problem of disappearing cultural landscapes. Journal of Island and Coastal Archaeology. https://doi.org/10.1080/15564894.2020.1803457
Eberl, M., Bell, C. S., Spencer-Smith, J., Raj, M., Sarubbi, A., Johnson, P. S., Rieth, A. E., Chaudhry, U., Aguila, R. E., & McBride, M. (2023). Machine learning–based identification of lithic microdebitage. Advances in Archaeological Practice, 11, 152–163.
Felicetti, A., Paolanti, M., Zingaretti, P., Pierdicca, R., & Malinverni, E. S. (2021). Mo.Se.: Mosaic image segmentation. Virtual Archaeology Review, 12(24), 25–38.
Forte, M., & Danelon, N. (2019). Cyber-archaeology. In M. Forte (Ed.), Oxford Bibliographies in Anthropology. Oxford University Press.
Graham, S., & Huffer, D. (2020). Reproducibility, replicability, and revisiting the Insta-dead. Internet Archaeology, 55. https://doi.org/10.11141/ia.55.11
Grove, M., & Blinkhorn, J. (2020). Neural networks differentiate between Middle and Later Stone Age lithic assemblages. [Journal name missing]
Gutherz, G., Gordin, S., Sáenz, L., Levy, O., & Berant, J. (2023). Translating Akkadian to English with neural machine translation. PNAS Nexus, 2(5), pgad096.
Guyot, A., Lennon, M., Lorho, T., & Hubert-Moy, L. (2021). Combined detection and segmentation of archeological structures. Journal of Computer Applications in Archaeology, 4(1).
Khan, S., Naseer, M., Hayat, M., Zamir, S. W., Khan, F., & Shah, M. (2022). Transformers in vision: A survey. ACM Computing Surveys, 54(10s), Article 200. https://doi.org/10.1145/3505244
Kogou, S., Shahtahmassebi, G., Lucian, A., Liang, H., Shui, B., Zhang, W., Su, B., & van Schaik, S. (2020). From remote sensing and machine learning to the history of the Silk Road. Scientific Reports, 10, 19312. https://doi.org/10.1038/s41598-020-76457-9
Nash, B. S., & Prewitt, E. R. (2016). The use of artificial neural networks in projectile point typology. Lithic Technology, 41, 194–211.
Nobile, E., & Conati, C. B. (2022). The standardisation of the PPNB lithic industry from Er-Rahib. Origini, 46, 7–28.
Ostertag, C., & Beurton-Aimar, M. (2020). Matching ostraca fragments using a Siamese neural network. Pattern Recognition Letters, 131, 336–340.
Romanengo, C., Biasotti, S., & Falcidieno, B. S. (2020). Recognising decorations in archaeological finds. Pattern Recognition Letters, 131, 405–412.
Sakai, M., Lai, Y., Canales, J. O., Hayashi, M., & Nomura, K. (2023). Accelerating the discovery of new Nasca geoglyphs. Journal of Archaeological Science, 155, 105777. https://doi.org/10.1016/j.jas.2023.105777
Sakai, M., Sakurai, A., Lu, S., Olano, J., Albrecht, C. M., Hamann, H. F., & Freitag, M. (2024). AI-accelerated Nazca survey nearly doubles geoglyphs. PNAS, 121(40), e2407652121. https://doi.org/10.1073/pnas.2407652121
Sanders, D. H. (2018). Neural networks, AI, phone-based VR, and the CUNAT app. In 2018 3rd Digital Heritage International Congress. IEEE. https://doi.org/10.1109/DigitalHeritage.2018.8810002
Trier, D., Reksten, J. H., & Løseth, K. (2021). Automated mapping of cultural heritage in Norway. International Journal of Applied Earth Observation and Geoinformation, 95, 102241. https://doi.org/10.1016/j.jag.2020.102241
Troiano, M., Nobile, E., Grignaffini, F., Mangini, F., Mastrogiuseppe, M., Barbaro, C., & Frezza, F. (2024). A comparative analysis of ML algorithms. Electronics: Computer Science & Engineering, 1–23.
Troiano, M., Nobile, E., Mangini, F., Mastrogiuseppe, M., Conati Barbaro, C., & Frezza, F. (2024). Comparative analysis of training algorithms. Information, 15, 270.
Tsigkas, G., Sfikas, G., Pasialis, A., Vlachopoulos, A., & Nikou, C. (2020). Markerless detection of ancient rock carvings. Pattern Recognition Letters, 135, 337–345.
Verschoof-van der Vaart, W. B., & Lambers, K. (2019). Learning to look at LiDAR. Journal of Computer Applications in Archaeology, 2, 31–40.
Verschoof-van der Vaart, W. B., Lambers, K., Kowalczyk, W., & Bourgeois, Q. P. (2020). Combining deep learning and location-based ranking. ISPRS International Journal of Geo-Information, 9(5), 293. https://doi.org/10.3390/ijgi9050293
Voulodimos, A., Doulamis, N., Doulamis, A., & Protopapadakis, E. (2018). Deep learning for computer vision: A brief review. Computational Intelligence and Neuroscience, 2018, 7068349. https://doi.org/10.1155/2018/7068349