هوش مصنوعی حالا میتواند به باستانشناسان در شناسایی دانههایی کمک کند که هزاران سال پیش در زمین مدفون شدهاند. پژوهشگران چینی سامانهای ساختهاند که دانههای گیاهی باستانی را با دقت ۹۰.۲ درصد طبقهبندی میکند؛ فناوریای که میتواند دریچه تازهای برای مطالعه کشاورزی و رژیم غذایی انسان در ۷۰۰۰ سال گذشته باز کند.
پژوهشگران با توسعه یک سامانه هوش مصنوعی جدید توانستهاند دانههای گیاهی باستانی را با دقت ۹۰.۲ درصد شناسایی و طبقهبندی کنند؛ فناوریای که میتواند مطالعه کشاورزی، تغذیه و اقتصاد جوامع هزاران سال پیش را سریعتر و دقیقتر کند.
به گزارش مجله اینترنتی باستانشناس، پژوهشگران دانشگاه لینگنان و دانشگاه شاندونگ در چین سامانهای مبتنی بر هوش مصنوعی توسعه دادهاند که برای شناسایی بقایای گیاهی باستانی طراحی شده است. این سامانه که APSNet نام دارد، میتواند با تحلیل تصاویر دانههای باستانی، گونه یا جنس گیاهی آنها را با دقت ۹۰.۲ درصد تشخیص دهد.
اهمیت این فناوری از آنجا ناشی میشود که بقایای گیاهی یکی از مهمترین منابع اطلاعاتی برای شناخت شیوه زندگی جوامع گذشته هستند. دانههای سوخته و کربونیزهشدهای که در محوطههای باستانشناختی کشف میشوند، میتوانند اطلاعاتی درباره محصولات کشاورزی، رژیم غذایی، شیوههای کشت و حتی تغییرات محیطی در اختیار پژوهشگران قرار دهند.
مجموعهای از دانههای باستانی ۷۰۰۰ ساله

پژوهشگران برای آموزش و ارزیابی این سامانه، مجموعه دادهای با عنوان Ancient Plant Seed Image Classification (APS) ایجاد کردند.
این مجموعه شامل ۸۳۴۰ تصویر از بقایای گیاهی باستانی است که از ۱۸ محوطه باستانشناختی در مناطق مختلف چین به دست آمدهاند. قدمت این نمونهها از حدود ۵۴۰۰ پیش از میلاد تا ۲۲۰ میلادی متغیر است؛ بنابراین قدیمیترین نمونههای مورد استفاده در این پژوهش بیش از ۷۰۰۰ سال قدمت دارند.
در این مجموعه، بقایای گیاهانی از جمله جو، گندم، ارزن دمروباهی، ارزن معمولی و هسته هلو مورد بررسی قرار گرفتهاند.
این نمونهها لزوماً شبیه دانههای سالم امروزی نیستند. بسیاری از آنها در اثر حرارت سوخته و کربونیزه شدهاند، برخی در طول هزاران سال دفن شدن در خاک شکسته یا تغییر شکل دادهاند و همین موضوع شناسایی آنها را حتی برای متخصصان نیز دشوار میکند.
چرا شناسایی دانههای باستانی دشوار است؟
باستانگیاهشناسان معمولاً بقایای گیاهی بهدستآمده از کاوشها را پس از جداسازی از رسوبات، با استفاده از میکروسکوپ و مقایسه ویژگیهایی مانند شکل، اندازه و بافت سطحی شناسایی میکنند.
این فرایند به دانش تخصصی و تجربه زیادی نیاز دارد و زمانی که تعداد نمونهها افزایش پیدا کند، بررسی تکتک آنها میتواند هفتهها یا حتی ماهها زمان ببرد.
مشکل دیگر این است که سوختگی و کربونیزهشدن میتواند شکل طبیعی دانه را تغییر دهد. در نتیجه، نمونههایی که در اصل متعلق به گونههای متفاوت هستند ممکن است شباهت زیادی به یکدیگر پیدا کنند.
از سوی دیگر، دانههای متعلق به یک گونه نیز ممکن است در شرایط مختلف سوختگی و دفن، ظاهرهای متفاوتی داشته باشند.
هوش مصنوعی چگونه دانههای باستانی را شناسایی میکند؟
سامانه APSNet با استفاده از تصاویر نمونههای باستانی آموزش داده شده است تا ویژگیهای ظریف ریختشناختی دانهها را تشخیص دهد.
این سامانه علاوه بر ویژگیهای بصری، اطلاعات مربوط به اندازه دانه را نیز در فرایند طبقهبندی در نظر میگیرد. هدف آن است که هوش مصنوعی بتواند میان نمونههایی که از نظر ظاهری شباهت زیادی دارند، تفاوتهای ظریف را شناسایی کند.
آزمایشهای انجامشده نشان داد که APSNet توانسته است به دقت ۹۰.۲ درصدی در طبقهبندی دانههای باستانی دست پیدا کند.
پژوهشگران عملکرد این مدل را با ۲۸ روش دیگر طبقهبندی تصاویر مقایسه کردند و گزارش دادند که APSNet در مجموعه داده مورد استفاده، عملکرد بهتری داشته است.
کشاورزی ۷۰۰۰ سال پیش زیر ذرهبین هوش مصنوعی
اهمیت این فناوری تنها در سرعت بخشیدن به شناسایی دانهها خلاصه نمیشود.
بقایای گیاهی میتوانند به باستانشناسان کمک کنند تا روند تحول کشاورزی و رژیم غذایی جوامع گذشته را بازسازی کنند.
برای مثال، حضور یک گونه گیاهی خاص در یک محوطه میتواند پرسشهایی درباره زمان ورود یک محصول به منطقه، گسترش کشاورزی، تغییر محصولات اصلی و سازگاری جوامع با شرایط محیطی ایجاد کند.
مقایسه مجموعههای گیاهی متعلق به دورهها و مناطق مختلف نیز میتواند تصویری از تغییرات اقتصادی و زیستمحیطی در طول هزاران سال ارائه دهد.
در چنین شرایطی، افزایش سرعت شناسایی نمونهها به پژوهشگران اجازه میدهد تعداد بسیار بیشتری از بقایای گیاهی را بررسی کنند.
هوش مصنوعی جای متخصصان را نمیگیرد
پژوهشگران تأکید دارند که APSNet قرار نیست جایگزین باستانگیاهشناسان شود، بلکه بهعنوان ابزاری برای کمک به شناسایی و طبقهبندی اولیه نمونهها طراحی شده است.
شناسایی یک دانه تنها نخستین مرحله پژوهش است. برای درک اهمیت واقعی یک نمونه، باید مشخص شود که این دانه در چه لایهای، در چه ساختاری و در چه زمینهای کشف شده است.
برای نمونه، وجود یک دانه در یک محوطه لزوماً به معنای کشت آن گیاه نیست. این دانه ممکن است از طریق تجارت، ذخیرهسازی، آمادهسازی غذا یا حتی بهصورت تصادفی وارد محوطه شده باشد.
بنابراین، تفسیر باستانشناختی همچنان به دانش و قضاوت متخصصان نیاز دارد.
گامی تازه در مطالعه کشاورزی جوامع باستانی
پژوهشگران امیدوارند APSNet بتواند در آینده برای بررسی مجموعههای بزرگتر و متنوعتر از بقایای گیاهی مورد استفاده قرار گیرد.
اگر چنین سامانههایی بتوانند با دقت بالا نمونههای باستانی را در مقیاس وسیع طبقهبندی کنند، هوش مصنوعی میتواند به ابزاری مهم در باستانگیاهشناسی و مطالعات کشاورزی باستان تبدیل شود.
این فناوری به باستانشناسان کمک میکند تا از دل بقایای کوچک و گاه سوختهای که هزاران سال در خاک مدفون بودهاند، اطلاعات بیشتری درباره آنچه انسانها میکاشتند، میخوردند و چگونه با محیط خود سازگار میشدند، استخراج کنند.
نتایج این پژوهش در نشریه علمی npj Heritage Science منتشر شده است.

















ارسال دیدگاه