ИИ, обученный на симулированных объектах, нашел неизвестные археологические структуры

Археологи испытали новый метод обучения нейросетей для поиска археологических объектов, когда реальных примеров того или иного типа памятников недостаточно. Вместо больших коллекций известных объектов команда создала симуляцию археологических объектов и поместила их в реальные данные рельефа, полученные с помощью лидара.

Цифровая модель поверхности (DSM) района Топанга-Бич, Лос-Анджелес, Калифорния, полученная после лесного пожара. Такие данные служат основой для обучения ИИ. Credit: Jason Stoker, Ph.D., U.S. Geological Survey. Public domain.

Исследование сосредоточилось на 12 необычных круглых структурах в национальном лесу Кизатчи, штат Луизиана. Они были похожи на исторические смолокуренные печи, используемые для извлечения дегтя, смолы и канифоли из сосновых деревьев. Однако их форма отличалась от известных смолокуренных печей, найденных в других местах на юго-востоке США.

Это различие создало проблему для машинного обучения. Модель, обученная на существующих смолокуренных печах, с трудом находила бы луизианские структуры. Существовало всего 12 примеров, что слишком мало для надежного обучающего набора.

Команда протестировала два способа создания искусственных обучающих данных. Оба метода помещали смоделированные формы печей в цифровые модели рельефа, созданные на основе лидарных данных. Лидар фиксирует небольшие изменения высоты грунта, помогая археологам составлять карты объектов, скрытых под лесным пологом.

Идеализированный рабочий процесс глубокого обучения на примере исторических фундаментов. Credit: K. Peck et al., Advances in Archaeological Practice (2026).

Команда обучила модели Mask R-CNN для идентификации объектов. Модели использовали мозаичные лидарные изображения: 80% для обучения, 10% для валидации и 10% для тестирования. Каждая модель обучалась в течение 15 раундов, прежде чем ее производительность выровнялась.

Первая модель выдала 183 прогноза. После автоматической фильтрации исследователи просмотрели 142. Модель нашла девять из 12 известных целей и шесть других объектов, заслуживающих дальнейшей проверки.

Вторая модель предсказала 2032 объекта, после фильтрации осталось 709. Она нашла все 12 известных целей и 11 дополнительных объектов, заслуживающих изучения. Однако 686 оставшихся прогнозов оказались ложноположительными.

Многие ложные результаты были связаны с водохранилищами, дренажными сооружениями и природными маундами. Дополнительные фильтры устранили некоторые ошибки. Исследователи использовали форму грунта, чтобы отличить холмообразные формы от ямообразных форм целей.

(a) Модель исключения размещения смоделированных объектов; (b) размещенные смоделированные объекты; (c) правила размещения сборных ям; (d) скрипт, генерирующий периметр смолокуренной печи. Credit: K. Peck et al., Advances in Archaeological Practice (2026).

Третья модель послужила для сравнения. Исследователи обучили ее на реальных смолокуренных печах из Южной Каролины, изменив данные о высоте, чтобы лучше соответствовать луизианским объектам. Эта модель нашла 11 из 12 целей и семь дополнительных объектов, заслуживающих проверки.

Полевые работы изменили главный вопрос. Исследователи посетили 11 из первоначальных целей и проверили две с помощью буров. Они не обнаружили богатых углем отложений, обугленной сосновой древесины, закопанных деревянных дегтярных труб или твердых глиняных полов, ожидаемых на смолокуренных печах.

Структуры также находились рядом с бывшим военным учебным полигоном времен Второй мировой войны. Основываясь на их расположении и форме, команда пришла к выводу, что они, скорее всего, связаны с военной подготовкой. Военное учебное пособие того времени предполагало, что эти структуры могли быть позициями для гаубиц.

Автоматическое обнаружение все еще требует полевых проверок. Модели хорошо находили необычные формы, но многие прогнозы были ошибочными. Очистка результатов заняла меньше времени, чем пеший обход той же территории.

Исследование указывает на способ обойти серьезное ограничение машинного обучения. Смоделированные обучающие объекты можно создавать за минуты, в то время как ручная разметка реальных объектов занимает гораздо больше времени.

Команда предлагает использовать такие модели перед детальной разметкой изображений или полевыми исследованиями. Более крупные смоделированные наборы данных с тысячами объектов могли бы улучшить будущие модели.

Основной выигрыш для археологии — скорость. Модель не заменяет полевые работы, но помогает сузить ландшафт до нескольких мест, которые стоит проверить. В данном случае подход помог исследователям найти цели и отвергнуть их первоначальную гипотезу о том, чем эти цели являются.

Источник: archaeologymag.com