کشف شواهد باستان شناسی ناشناخته با هوش مصنوعی شبیه ساز

در دهه‌های اخیر، تصاویر باکیفیت و داده‌های سه‌بعدی حاصل از فناوری لیدار (LiDAR) درک ما را از چشم‌اندازهای باستانی دگرگون کرده‌اند؛ با این حال، نبود داده‌های آموزشی کافی همواره سدی بزرگ در برابر الگوریتم‌های یادگیری عمیق بوده است. پژوهشگران در یک نوآوری علمی توانسته‌اند با آموزش مدل‌های هوش مصنوعی بر پایه محوطه‌های شبیه‌سازی‌شده و داده‌های ساختگی، عوارض و ساختارهای باستانی ناشناخته‌ای را در دل جنگل‌های انبوه شناسایی کنند؛ رویکردی نوین که نویدبخش تحولی اساسی در باستان‌شناسی محاسباتی و بررسی‌های میدانی است.

گره کور یادگیری عمیق در باستان‌ شناسی؛ کمبود نمونه‌های واقعی

استفاده از الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی پیچیده (مانند Mask R-CNN) برای شناسایی خودکار سازه‌ها، تراس‌های کشاورزی و تپه‌های باستانی بر روی نقشه‌های رقومی ارتفاعی (DEM)، کارایی بررسی‌های باستان‌شناختی را به‌شدت افزایش داده است. با وجود این مزیت، هوش مصنوعی برای یادگیری الگوها نیازمند صدها یا هزاران نمونه نشانه‌گذاری‌شده (Labeled Data) از سازه‌های واقعی است.

در بسیاری از مناطق دورافتاده یا درباره ساختارهای تاریخی نادر و کمترشناخته‌شده، تعداد نمونه‌های مستند بسیار اندک است؛ به‌طوری‌که گاهی باستان‌شناسان تنها با انگشت‌شمار شواهد مشکوک روبه‌رو هستند. این کمبود داده‌های آموزشی، مانعی جدی برای به‌کارگیری هوش مصنوعی در مقیاس‌های کلان چشم‌انداز و مدیریت منابع فرهنگی (CRM) به شمار می‌رفت.

راهکار نوآورانه: تولید داده‌های آموزشی به روش شبیه‌ سازی رویه‌ای

گروهی از باستان‌شناسان و دانشمندان علوم داده به سرپرستی کاترین پک (Katherine Peck) برای حل این معضل، از روش «تولید رویه‌ای» (Procedural Generation) استفاده کردند. پژوهشگران در این پروژه به‌جای انتظار برای کشف و برچسب‌گذاری صدها محوطه واقعی، ویژگی‌های هندسی و توپوگرافی عوارض مورد نظر را به‌صورت الگوریتمی مدل‌سازی کرده و آن‌ها را درون نقشه‌های ارتفاعی واقعی لیدار جاسازی کردند.

این پژوهش که در جنگل ملی کیساتچی (Kisatchie National Forest) واقع در ایالت لوئیزیانا به اجرا درآمد، بر شناسایی سازه‌هایی مدور تمرکز داشت که در ابتدا گمان می‌رفت کوره‌های قطران تاریخی (Tar Kilns) باشند. پژوهشگران سه استراتژی متمایز را برای آماده‌سازی داده‌های آموزشی طراحی کردند:

• مدل‌سازی کاملاً شبیه‌سازی‌شده: تولید ساختارهای ترکیبی شامل پشته‌های خاکی مدور به همراه گودال‌های جانبی.
• عوارض هندسی ساده‌شده: ایجاد پشته‌های خاکی حلقوی بدون گودال برای ارزیابی قدرت تعمیم‌پذیری مدل.
• وارونه‌سازی داده‌های پیشین: استفاده از نقشه‌های عوارض شناخته‌شده واقعی در مناطق دیگر و معکوس کردن مدل رقومی زمین (Inverted DEM).

راستی‌آزمایی میدانی؛ کشف سازه‌هایی متفاوت با فرضیات اولیه

پس از آموزش شبکه‌های عصبی پیچیده با این ساختارهای مجازی، مدل بر روی داده‌های پهنه‌بندی جنگل‌های کیساتچی اعمال شد. نتایج نشان داد که الگوریتم، حساسیت و قدرت یادآوری (Recall) بسیار بالایی در ردیابی اهداف پنهان دارد و توانست با دقت بالا نقاط دارای عوارض انسان‌ساخت را علامت‌گذاری کند.

باستان‌شناسان پس از پیش‌بینی‌های مدل، برای پایش و راستی‌آزمایی میدانی (Ground-Truthing) عازم منطقه شدند. بررسی‌های دقیق از نزدیک نشان داد عوارض ثبت‌شده با این‌که از نظر فرم توپوگرافی به کوره‌های قطران شباهت داشتند، اما در حقیقت رده دیگری از ساختارهای تاریخی و فعالیت‌های انسانی گذشته بودند. این یافته اثبات کرد که حتی با خطای اولیه در نام‌گذاری، هوش مصنوعی شبیه‌ساز ابزاری فوق‌العاده برای غربال‌گری سریع عوارض ناشناخته در مناطق صعب‌العبور است.

چشم‌انداز ادغام شبیه‌ سازی در مدیریت منابع فرهنگی

استفاده از محوطه‌های شبیه‌سازی‌شده گامی رو‌به‌جلو در توسعه باستان‌شناسی دیجیتال محسوب می‌شود. این متدولوژی به باستان‌شناسان اجازه می‌دهد پیش از انجام کاوش‌های پرهزینه و پیمایش‌های فشرده، یک «پایش نخستین» خودکار و هوشمند روی داده‌های سنجش از دور انجام دهند و نیروهای میدانی را مستقیماً به نقاط پرپتانسیل هدایت کنند.

تلفیق داده‌های ساختگی با مشاهدات تجربی، مسیر را برای ردیابی محوطه‌های در خطر، پایش آثار در مناطق بحرانی و برنامه‌ریزی یکپارچه حفاظت از چشم‌اندازهای طبیعی و فرهنگی هموارتر از پیش ساخته است.

نتیجه‌ گیری

بهره‌گیری از داده‌های شبیه‌سازی‌شده و هوش مصنوعی، مرزهای تحلیل داده‌های لیدار در باستان‌شناسی را جابه‌جا کرده است. این شیوه نه‌تنها چالش همیشگی کمبود داده‌های آموزشی را برطرف می‌سازد، بلکه توانایی پژوهشگران را در مکان‌یابی پدیده‌های نادر و شواهد باستانی مدفون در زیر پوشش‌های گیاهی سنگین دوچندان می‌کند. پیشرفت‌های محاسباتی نشان می‌دهند که آینده حفاظت از میراث فرهنگی، در پیوند میان فناوری‌های دیجیتال پیشرفته و پژوهش‌های میدانی رقم خواهد خورد.