Ricostruzione di ceramiche iberiche utilizzando reti generative avversarie

Jan 30, 2024

Rapporti scientifici volume 12, numero articolo: 10644 (2022) Citare questo articolo

1612 Accessi

20 Altmetrico

Dettagli sulle metriche

Diversi aspetti della cultura passata, comprese le tendenze storiche, sono desunti da modelli basati sul tempo osservati nei manufatti archeologici appartenenti a periodi diversi. La presenza e la variazione di questi oggetti fornisce importanti indizi sulla rivoluzione neolitica e, data la loro relativa abbondanza nella maggior parte dei siti archeologici, le ceramiche sono significativamente utili a questo scopo. Tuttavia, la maggior parte della ceramica disponibile è frammentata, il che porta alla mancanza di informazioni morfologiche. Attualmente, il riassemblaggio di oggetti frammentati da una raccolta di migliaia di frammenti misti è un compito arduo e dispendioso in termini di tempo, svolto quasi esclusivamente a mano, che richiede la manipolazione fisica dei frammenti. Per superare le sfide della ricostruzione manuale e migliorare la qualità dei campioni ricostruiti, presentiamo IberianGAN, una rete generativa contraddittoria (GAN) personalizzata testata su un ampio database con riferimenti completi e frammentati. Abbiamo addestrato il modello con 1072 campioni corrispondenti a profili di ceramica iberica realizzata al tornio appartenenti a siti archeologici situati nell'alta valle del fiume Guadalquivir (Spagna). Inoltre, forniamo valutazioni quantitative e qualitative per misurare la qualità dei campioni ricostruiti, insieme alla valutazione di esperti del settore con gli archeologi. La struttura risultante è un possibile modo per facilitare la ricostruzione della ceramica da frammenti parziali di un pezzo originale.

Le prove materiali delle popolazioni passate di cacciatori rappresentano un campo di ricerca prolifico in archeologia. Tra i molti fattori che informano la transizione neolitica, le ceramiche sono molto istruttive in termini di processi di selezione culturale. Sono anche uno dei manufatti archeologici più frequentemente ritrovati. Dato che solitamente hanno vita breve, i ricercatori ritengono che questi manufatti siano utili per effettuare esplorazioni cronologiche e geografiche, dato che forma e decorazione sono soggette a significativi cambiamenti di moda nel tempo e nello spazio1. Ciò fornisce una base per la datazione degli strati archeologici e fornisce la prova di un ampio insieme di dati preziosi, come la produzione locale, le relazioni commerciali e il comportamento dei consumatori della popolazione locale2,3,4. Diversi studi precedenti analizzano vari aspetti della ceramica utilizzando profili completi di ceramica. La classificazione automatica dei profili5,6,7,8,9 e l'estrazione delle caratteristiche10,11,12,13,14,15,16,17 sono state ampiamente studiate, spaziando dalle tradizionali tecniche di elaborazione delle immagini agli approcci di deep learning. Sfortunatamente, le ceramiche sono fragili, e quindi la maggior parte delle ceramiche recuperate dai siti archeologici sono rotte, quindi la stragrande maggioranza del materiale disponibile appare in frammenti. Il riassemblaggio dei frammenti è un compito arduo e dispendioso in termini di tempo, svolto quasi esclusivamente a mano, che richiede la manipolazione fisica dei frammenti. Un modo intuitivo per comprendere il processo di frammentazione, nonché per migliorare il compito di ricostruzione, è quello di produrre grandi quantità di ceramiche imitando le procedure seguite dagli artigiani iberici, rompendole e quindi analizzando i gruppi di frammenti risultanti. Sfortunatamente, questi e simili metodi di lavorazione manuale per questo tipo di materiale incompleto richiedono molto tempo e manodopera, anche per gli archeologi esperti18. A causa di questi fattori, vi è un crescente interesse per il riassemblaggio e la ricostruzione automatica della ceramica19,20,21 e per l'analisi dei frammenti22. Tuttavia, il lavoro esistente risolve il problema dei frammenti utilizzando confronti tra pezzi noti. La migliore corrispondenza all'interno del set di dati è il miglior frammento per quella ceramica. Qui proponiamo un approccio di deep learning in cui il "frammento migliore" viene generato artificialmente sulla base di un insieme di frammenti noti nel modello, creando così nuove ceramiche virtuali con le stesse caratteristiche di quelle reali. I principali contributi di questo articolo sono: