چگونه باستان شناسان از آموزش عمیق برای حفاری بیشتر استفاده می کنند


یافتن مقبره یک پادشاه باستانی ، مملو از مصنوعات طلا ، سلاح و لباس های پیچیده ، برای هر باستان شناس خیالی به نظر می رسد. اما به دنبال آنها ، Gino Caspari می تواند به شما بگوید ، فوق العاده آزار دهنده است.

دکتر کاسپاری ، باستان شناس پژوهشی با بنیاد ملی علوم سوئیس ، در حال مطالعه بر روی سکاها باستان است ، یک فرهنگ کوچ نشینی که 3000 سال پیش سواره نظام دشتهای آسیا را به وحشت انداخت. مقبره های سلطنتی سکاها حاوی بسیاری از ثروت خارق العاده ای بود که از همسایگان خود غارت کرده بودند. از همان لحظه دفن اجساد ، این مقبره ها مکان های محبوب سارقین بودند. دکتر کاسپاری تخمین می زند که بیش از 90 درصد آنها تخریب شده است.

وی گمان می کند که هزاران مقبره در استپ های اوراسیا ، که برای میلیون ها مایل مربع امتداد دارند ، پخش شده است. او ساعتها با استفاده از تصاویر Google Earth در مناطق فعلی روسیه ، مغولستان و استان شین جیانگ در غرب چین نقشه برداری از دفن ها کرده بود. دکتر کاسپاری گفت: “این اساساً یک کار احمقانه است.” “و این نباید توسط یک دانشمند فرهیخته انجام شود.”

همانطور که مشخص شد ، همسایه دکتر کاسپاری در خانه بین المللی در Morningside Heights منهتن یک راه حل داشت. در آن زمان ، همسایه پابلو کرسپو ، دانشجوی اقتصاد در دانشگاه شهر نیویورک که با هوش مصنوعی برای ارزیابی نوسان قیمت کالا کار می کرد ، به دکتر کاسپاری گفت که آنچه او نیاز دارد یک عصب کانولوشن است تصاویر ماهواره ای خود را برای او جستجو کنید. این دو با یک فلسفه مشترک آکادمیک ارتباط برقرار می کنند و کارهای خود را به نفع جامعه علمی بزرگتر و عشق به موسیقی هوی متال به طور آشکار در دسترس قرار می دهند. بیش از آبجوهای موجود در بار International House ، آنها همکاری را آغاز کردند که آنها را در صف مقدمه نوع جدیدی از تجزیه و تحلیل باستان شناسی قرار داد.

شبکه عصبی کانولوشنال یا CNN نوعی هوش مصنوعی است که برای تحلیل اطلاعات قابل پردازش به عنوان شبکه طراحی شده است. به ویژه برای تجزیه و تحلیل عکس ها و تصاویر دیگر مناسب است. شبکه تصویر را به صورت شبکه ای از پیکسل ها می بیند. CNN ، طراحی شده توسط دکتر کرسپو ، با تخمین هر پیکسل بر اساس میزان قرمز بودن آن و سپس دیگری برای سبز و آبی آغاز می شود. پس از ارزیابی هر پیکسل با توجه به پارامترهای اضافی مختلف ، شبکه شروع به تجزیه و تحلیل گروه های کوچکی از پیکسل ها ، سپس پیکسل های بزرگتر متوالی می کند ، به دنبال تطابق یا بستن تطابق با داده هایی است که برای شناسایی آموزش دیده است.

در اوقات فراغت او ، این دو محقق ماهها 1212 تصویر ماهواره ای را در وب گذراندند و از او خواستند که به دنبال مقبره های سنگی گرد باشد و سایر موارد مشابه مقبره گرد ، مانند انبوهی از زباله های ساختمانی و استخرهای آبیاری را نادیده بگیرد.

در ابتدا ، آنها با تصاویری کار کردند که تقریباً 2000 مایل مربع بود. آنها از سه چهارم تصاویر برای آموزش وب استفاده کردند تا بفهمند یک مقبره سکایی چه شکلی است ، وقتی که یک مقبره شناخته شده را از دست می داد یا یک آرامگاه موجود را برجسته می کرد ، سیستم را تنظیم می کردند. آنها از بقیه تصاویر برای آزمایش سیستم استفاده کردند. این شبکه در 98 درصد مواقع ، مقبره های شناخته شده را به درستی شناسایی می کند.

دکتر کرسپو گفت که راه اندازی شبکه آسان بود. وی در کمتر از یک ماه و بدون استفاده از قیمت آبجو ، از زبان برنامه نویسی پایتون و بدون هیچ هزینه ای آن را نوشت. دکتر کاسپاری امیدوار است که ایجاد آنها راهی به باستان شناسان بدهد تا مقبره های جدید پیدا کنند و مکان های مهم را شناسایی کنند تا از آنها در برابر غارتگران محافظت شود.

سایر شبکه های عصبی کانولوشن شروع به خودکار کردن کارهای تکراری مختلف می کنند که معمولاً به فارغ التحصیلان تحمیل می شوند. و آنها پنجره های جدیدی به گذشته باز می کنند. برخی از کارهایی که این شبکه ها به ارث می برند شامل طبقه بندی قطعات سفال ، یافتن غرق کشتی در تصاویر سونار و یافتن استخوان های انسانی است که به طور غیرقانونی در اینترنت فروخته می شود.

دکتر کرسپو ، اکنون دانشمند ارشد داده در Etsy ، گفت: “Netflix از این نوع تکنیک ها برای نشان دادن توصیه های شما استفاده می کند.” “چرا از آن برای چیزی مانند ذخیره تاریخ بشر استفاده نمی شود؟”

گابریل گاتلیا و فرانچسکا آنیچینی ، هر دو باستان شناس دانشگاه پیزا در ایتالیا ، در حال کاوش مکانهایی از امپراتوری روم هستند ، که تجزیه و تحلیل هزاران قطعه سفال شکسته را نشان می دهد. در فرهنگ رومی ، تقریباً هر نوع ظرف ، از جمله ظروف پخت و پز و آمفورهایی که برای حمل و نقل کالا از طریق مدیترانه استفاده می شد ، از خاک رس ساخته شده بود ، بنابراین تجزیه و تحلیل ظروف سفالی برای درک زندگی رومی ها ضروری بود.

این کار شامل مقایسه تکه های سرامیکی با عکس در کاتالوگ های چاپ شده است. دکتر گاتلیا و دکتر آنیچینی تخمین می زنند که فقط 20 درصد از وقت آنها صرف حفاری می شود. بقیه صرف تجزیه و تحلیل سرامیک ها می شود ، کارهایی که برای آنها پرداخت نمی شود. دکتر گاتلیا گفت: “ما رویای برخی از ابزارهای جادویی را برای شناخت سفال در حین حفاری آغاز کردیم.”

این رویا به پروژه ArchAIDE تبدیل شده است ، ابزاری دیجیتالی که به باستان شناسان امکان می دهد از یک قطعه سفال در یک زمینه عکس گرفته و از طریق شبکه های عصبی کانولوشن آن را شناسایی کنند. این پروژه با حمایت مالی از برنامه تحقیق و نوآوری Horizon 2020 اتحادیه اروپا ، اکنون شامل محققانی از سراسر اروپا و همچنین تیمی از دانشمندان کامپیوتر از دانشگاه تل آویو در اسرائیل است که CNN را طراحی کرده اند.

این پروژه شامل دیجیتالی کردن بسیاری از کاتالوگ های کاغذی و استفاده از آنها برای آموزش یک شبکه عصبی برای شناسایی انواع مختلف ظروف سرامیکی بود. شبکه دوم برای شناسایی مشخصات نیمرخ های سرامیکی آموزش داده شد. تاکنون ArchAIDE فقط می تواند چند نوع سفال خاص را شناسایی کند ، اما با افزودن تعداد بیشتری از محققان به مجموعه داده ها به پایگاه داده ، تعداد انواع آنها افزایش می یابد.

دکتر آنیسینی گفت: “من رویای کاتالوگ انواع سرامیک ها را دارم.” “من نمی دانم که آیا پایان دادن به این زندگی ممکن است.”

صرفه جویی در وقت یکی از بزرگترین مزایای استفاده از شبکه های عصبی کانولوشن است. در باستان شناسی دریایی ، زمان کشتی گران است و غواصان نمی توانند زمان زیادی را در زیر آب بگذرانند بدون اینکه خطر صدمه جدی به آنها وارد شود. کریس کلارک ، مهندس کالج هاروی ماد در کلرمونت ، کالیفرنیا ، با استفاده از یک ربات زیر آب برای انجام اسکن های سونار از بستر دریا ، هر دو مسئله را حل کرد ، سپس از یک شبکه عصبی کانولوشن برای جستجوی تصاویر غرق کشتی ها و سایت های دیگر استفاده کرد. . در سالهای اخیر ، وی با تیمی گامبین ، باستان شناس در دانشگاه مالت ، برای جستجوی کف مدیترانه در اطراف جزیره مالت همکاری کرده است.

سیستم آنها خشن آغاز شد: در یکی از اولین سفرهایشان ، آنها ربات خود را غرق کشتی کردند و مجبور شدند برای بازیابی آن یک غواص بفرستند. اوضاع از آنجا بهتر شد. در سال 2017 ، این شبکه آنچه را که لاشه بمب افکن غواصی مربوط به دوران جنگ جهانی دوم در سواحل مالت بود ، شناسایی کرد. دکتر کلارک و دکتر گامبین اکنون در حال کار بر روی سایت دیگری هستند که توسط شبکه شناسایی شده است ، اما نمی خواهند در مورد جزئیات بحث کنند تا زمانی که مطالعه از طریق بررسی همکاران انجام شود.

شان گراهام ، استاد علوم دیجیتال در دانشگاه کارلتون در اتاوا ، از یک شبکه عصبی کانولوشنال به نام Inception 3.0 که توسط گوگل طراحی شده است ، برای جستجوی تصاویر مربوط به خرید و فروش استخوان های انسان در اینترنت استفاده می کند. ایالات متحده و بسیاری از کشورها قوانینی دارند که طبق آن استخوانهای انسان ذخیره شده در مجموعه های موزه به فرزندان خود بازگردانده می شوند. اما استخوانهایی نیز در دست افرادی است که این قوانین را دور زده اند. دکتر گراهام گفت که او حتی فیلم های آنلاین مردم را در حال حفر قبر برای تغذیه بازار دیده است.

دکتر گراهام گفت: “کسانی که خرید و فروش می کنند هرگز با این موضوع موافقت نکرده اند.” “این منجر به خشونت مداوم علیه جوامعی می شود که این اجداد از آنها برداشته شده اند. ما به عنوان باستان شناس باید تلاش کنیم جلوی این کار را بگیریم. “

وی برخی تغییرات را در Inception 3.0 ایجاد کرد تا بتواند تصاویر استخوانهای انسان را تشخیص دهد. این سیستم قبلاً برای شناسایی اشیا in در میلیون ها عکس آموزش دیده است ، اما هیچ یک از این اشیا bone استخوانی نیستند. از آن زمان او نسخه خود را روی بیش از 80،000 تصویر از استخوانهای انسان آموزش داده است. وی در حال حاضر با گروهی به نام Counter Crime Online کار می کند ، که از شبکه های عصبی برای ردیابی تصاویر مربوط به تجارت غیرقانونی عاج و قاچاق جنسیت استفاده می کند.

دکتر کرسپو و دکتر کاسپاری گفتند که علوم اجتماعی و انسانی می توانند با استفاده از ابزارهای فناوری اطلاعات در کار خود از مزایای آن بهره مند شوند. شبکه عصبی کانولوشن آنها به راحتی قابل استفاده بود و آزادانه در دسترس همه بود تا بتواند مطابق با نیازهای تحقیقاتی خود اصلاح کند. در نهایت ، آنها گفتند ، پیشرفت علمی به دو چیز برمی گردد.

دکتر کاسپاری گفت: “نوآوری واقعاً در تقاطع رشته های مستقر اتفاق می افتد.” دکتر کرسپو افزود: “هر از گاهی با همسایه خود آبجو بنوشید.”

[Like the Science Times page on Facebook. | Sign up for the Science Times newsletter.]


منبع: khabar-aseman.ir

دیدگاهتان را بنویسید

Comment
Name*
Mail*
Website*