هوش مصنوعی چگونه تاریخ و اصالت سفال های باستانی را تشخیص می‌دهد؟

سفالینه‌ها همواره مهم‌ترین سند مادی باستان‌شناسان برای لایه‌نگاری محوطه‌ها و بازسازی ساختار اقتصادی جوامع گذشته بوده‌اند. با این حال، شیوه‌های سنتی گاه‌نگاری و ارزیابی اصالت دست‌سازه‌های سفالی، همواره با خطای انسانی و ارزیابی‌های کیفی همراه بوده است. امروزه ورود الگوریتم‌های هوش مصنوعی و تلفیق یادگیری ماشین با ریخت‌سنجی هندسی و آنالیزهای فیزیک وشیمیایی، تحولی بنیادین در تعیین سن، شناسایی کارگاه‌های تولید و اثبات اصالت سفال‌های باستانی پدید آورده است.

تشخیص سن، طبقه‌بندی و رهگیری خط سیر تکاملی سفال‌های باستانی توسط هوش مصنوعی بر پایه‌ تبدیل داده‌های بصری و فیزیکی به متغیرهای ریاضی استوار است. این فرآیند معمولاً در چهار مرحله کلیدی اجرا می‌شود:

۱. دیجیتالی‌سازی و برداری‌کردن مقاطع سفال

در گام نخست، باستان‌شناسان طرح‌های فنی، نماهای نیم‌رخ و مقاطع دوبعدی یا اسکن‌های سه‌بعدی سفالینه‌ها را وارد رایانه می‌کنند. این داده‌های تصویری به خروجی‌های برداری رقومی با مختصات مشخص تبدیل می‌شوند.

۲. تحلیل ریخت‌سنجی هندسی (Geometric Morphometrics)

روش ریخت‌سنجی هندسی مبتنی بر خط پیرامونی (Outline-based GMM) انحنای بدنه، شیب لبه و زاویه کف ظرف را مستقل از مقیاس و اندازه فیزیکی آن محاسبه می‌کند. این شیوه متغیرهای کیفی فرم سفال را به مؤلفه‌های ریاضی قابل سنجش تبدیل می‌سازد.

۳. پردازش الگوها با الگوریتم‌های یادگیری ماشین

الگوریتم‌های پیشرفته نظیر «جنگل تصادفی» (Random Forest) یا شبکه‌های عصبی پیچشی (CNN) با ارزیابی هم‌زمان هزاران متغیر ریخت‌شناختی، تغییرات بسیار نامحسوس در فرم و ضخامت را که چشم انسان قادر به تشخیص آن‌ها نیست، شناسایی می‌کنند.

۴. همبستگی زمانی با داده‌های لایه‌نگاری

مدل هوشمند پس از تحلیل ویژگی‌های فرمی، آن‌ها را با سن‌سنجی‌های رادیوکربن و لایه‌نگاری‌های معتبر محوطه‌های مرجع تطبیق می‌دهد. با این سازوکار، سیستم می‌تواند قدمت، دوره تاریخی و حتی کارگاه تولید سفال ناشناخته را تعیین کند.

مطالعه موردی: رمزگشایی از خمره‌های سفالی ۴۰۰ ساله ژاپن

برای درک کاربرد عملی این فناوری، می‌توان به پژوهش اخیر دکتر جیمز فرانسیس لوفتوس (James Frances Loftus) از «مؤسسه علوم توکیو» اشاره کرد که در ژورنال تخصصی Open Archaeology منتشر شده است. این پژوهش بر خمره‌های سفالی بزرگ دوره ادو (۱۶۰۳ تا ۱۸۶۸ میلادی) موسوم به اوگامه (Ogame) تمرکز دارد.

خمره‌های «اوگامه» و چندگانگی در کاربری

این خمره‌های سفالی در ولایت‌های تاریخی هیزن و چیکوزن در شمال جزیره کیوشو فرآوری می‌شدند و در سه حوزه زیستی کاربرد گسترده داشتند:

• انبارش و تخمیر مایعات خوراکی: نگهداری آب، روغن و فرآورده‌های غذایی مانند سویا سس.
• مدیریت کشاورزی: فرآوری و نگهداری کودهای زیستی و پساب‌های مزارع.
• آیین‌های خاکسپاری: استفاده به عنوان خمره‌های تدفینی برای دربرگیری بقایای اموات.

به دلیل همین تنوع کاربری، گونه‌شناسی سنتی و تشخیص قدمت دقیق این خمره‌ها با ابزارهای مرسوم باستان‌شناسی دشوار بود.

کشف ردپای استانداردسازی کارگاهی با هوش مصنوعی

پژوهشگران با دیجیتالی‌سازی ۲۴۳ مقطع از این خمره‌ها و تحلیل آن‌ها با مدل جنگل تصادفی، به دستاوردهای تاریخی قابل توجهی دست یافتند:

1. حرکت به سوی تولید انبوه: مدل هوشمند نشان داد که پراکندگی فرمی خمره‌ها در طول زمان به شدت کاهش یافته و تولید به سوی استانداردی یکدست حرکت کرده است. این تحول ناشی از بحران‌های تجاری نظیر «قانون ممنوعیت دریانوردی دودمان چینگ در چین» و نیاز شدید به بازسازی زنجیره تولید داخلی ژاپن بود.
2. جدایش فرمی ظروف تدفین: هوش مصنوعی ثابت کرد که خمره‌های مورد استفاده در آیین‌های تدفین دارای الگوهای فرمی اختصاصی بوده‌اند و کارگاه‌ها خط تولید مجزایی برای آیین‌های مرگ داشته‌اند.

ورود هوش مصنوعی به حوزه گونه‌ شناسی و گاه‌ نگاری سفال‌های باستانی نشان می‌دهد که محاسبات رقومی می‌توانند الگوهای پنهان در پس قطعات ساده مادی را بازخوانی کنند. تحلیل خمره‌های دوره ادو ژاپن گواهی روشن بر این واقعیت است که یادگیری ماشین نه تنها دقت تعیین قدمت را افزایش می‌دهد، بلکه پنجره‌ای تازه به روی اقتصاد سیاسی، تحولات کارگاهی و رفتارهای آیینی جوامع گذشته می‌گشاید.