Вышли на геохимический след: алгоритмы машинного обучения помогли изучить состав древней керамики
Российские ученые проанализировали состав средневековой керамики с помощью новых технологий. Работа стала первым в России исследованием, успешно объединившим ядерно-физический метод анализа с машинным обучением. Междисциплинарный подход позволил установить химический состав, происхождение и более точный возраст предметов.
Ученые лаборатории нейтронной физики (ЛНФ) им. И.М. Франка ОИЯИ совместно с коллегами из Института археологии РАН (ИА РАН) и Египетского агентства по атомной энергии (EAEA) применили метод нейтронного активационного анализа и алгоритмы машинного обучения, чтобы установить достоверное происхождение и рассчитать содержание химических элементов в русской средневековой керамике.
Химический состав расскажет обо всем
Керамика – один из самых информативных видов археологических находок. Состав глины и примесей показывает уникальный геохимический «след» места добычи сырья, а также отражает технологические особенности древнего гончарного дела.
До настоящего времени исследования происхождения средневековой русской керамики проводились редко. Не позволяли ограниченный объем выборки доступных материалов и отсутствие баз данных геохимического фона артефактов. Однако совсем недавно специалисты с помощью новых технологий проанализировали149 фрагментов керамики 13–17 веков и теперь у них есть более детальная картина. Химический состав позволяет более точно определить место производства предметов, а значит, реконструировать торговые пути и специфику гончарного мастерства в Средние века.
Среди изученных предметов – образцы глиняной посуды из Московского Кремля, Твери и Селитреннского городища, ремесленная керамика из Болгара (Булгара) и Биляра. В частности, ученые работали с фрагментами византийских амфор и керамических изделий из древнего государства Хорезм, располагавшегося на территории Центральной Азии.
К примеру, ученые выяснили, что керамику Болгара от изделий из других регионов отличает наличие в составе хрома, сурьмы, марганца, мышьяка и никеля. Эти элементы наилучшим образом отражают специфику геологического состава местных источников глинистого сырья.
Авторы исследования отмечают, что результаты могут стать основой для будущих геохимических исследований и разработки новых методов классификации найденных артефактов.
Новые методы анализа
Элементный состав образцов ученые определяли с помощью метода инструментального нейтронного активационного анализа (ИНАА) на импульсном реакторе ИБР-2 в ЛНФ ОИЯИ, а также на других установках с применением рентгенофлуоресцентного анализа (РФА). Сочетание этих методов позволило с высокой точностью выявить концентрации 29 химических элементов в каждом образце.
Отличительной чертой исследования стало применение алгоритмов контролируемого машинного обучения: метода опорных векторов (SVM), алгоритма случайного леса (RF), градиентного бустинга (GB) и многослойного персептрона (MLP). Они использовались для классификации керамических фрагментов с неопределенным местом происхождения на основании их геохимического состава. Точность распознавания достигла 85–88 %, что подтверждает устойчивость предложенного подхода.
От эксперимента к межотраслевым цифровым лабораториям
Работа стала первым в России исследованием, успешно объединившим ядерно-физический метод анализа с машинным обучением для изучения происхождения древней керамики и расчета фоновых значений для артефактов Болгара. Ученые предложили новую методологию атрибуции археологических находок. Такой подход позволит с высокой точностью определять место производства обнаруженных фрагментов и составлять подробные карты торговых сетей средневековых русских городов.
Российский опыт будет интересен на международном уровне. В мире много ценных артефактов, подробное изучение которых поможет археологам больше узнать о культуре периода их происхождения. Новые технологии, в частности использование ИИ, позволяют восполнить пробелы в изучении целых эпох и культур. В ближайшие годы подобные проекты позволят перейти от единичных экспериментов к созданию отраслевых датасетов и цифровых лабораторий.
