Опыт использования методов искусственного интеллекта и глубокого машинного обучения в археологических исследованиях на территории Южного Зауралья
Автор: Куприянова Е. В., Вохминцев А. В., Мельников А. В., Петров Ф. Н., Батанина Н. С., Петров Н. Ф.
Журнал: Проблемы археологии, этнографии, антропологии Сибири и сопредельных территорий @paeas
Рубрика: Археология эпохи палеометалла средневековья и нового времени
Статья в выпуске: т.XXXI, 2025 года.
Бесплатный доступ
В статье обобщается актуальный опыт использования методов искусственного интеллекта и глубокого машинного обучения в археологических исследованиях, представленный в публикациях последних лет, подготовленных коллективами как отечественных, так и зарубежных авторов. Показывается, что основное направление использования сверточных нейросетей в археологии - это поиск археологических памятников на основании полученных различными методами картографических данных, позволяющих построить 2D- и SD-модели современного рельефа местности, а также изучение планиграфии археологических памятников. Характеризуются результаты трехлетнего проекта по построению и обучению сверточных нейросетей для целей археологических исследований, который реализуется на базе Челябинского государственного университета в сотрудничестве археологов со специалистами IT-сферы. Для решения задачи обнаружения археологических памятников были выбраны восемь типов объектов, характерных для исследуемого региона: укрепленные и неукрепленные поселения эпохи бронзы, курганные могильники, четыре типа каменных курганов раннего железного века или Средневековья, курганы с «усами» эпохи раннего Средневековья, гантелевидные курганы и могильники с каменными оградами эпохи Средневековья. Для обнаружения объектов было предложено два подхода: один на основе остаточных нейронных сетей ResNet 50, который оказался не очень эффективен; второй - с использованием архитектуры трансформатора Pointview-GCN, который показал значительно лучшие результаты. Выполненная на его базе 3D семантическая сегментация рельефа археологических памятников бронзового века с территории Южного Зауралья показывает высокую сходимость с результатами интерпретации рельефа специалистами, что позволяет задействовать созданную модель для автоматической интерпретации значительных участков рельефа, направленной на выявление объектов археологического наследия.
Археологические памятники, дистанционные методы изучения, математические методы, сверточные нейросети, южное зауралье, бронзовый век
Короткий адрес: https://sciup.org/145147397
IDR: 145147397 | УДК: 902.26 | DOI: 10.17746/2658-6193.2025.31.0668-0674
Experience of using artificial intelligence and deep machine learning methods in archaeological research in the Southern Trans-Urals
This article summarizes the current uses of the methods of artificial intelligence and deep machine learning in archaeological research from the recent publications by Russian and international research teams. The main application of convolutional neural networks in archaeology is the search for archaeological sites using cartographic data which were obtained by various methods and make it possible to construct 2D and 3D models of the present-day terrain. Another important area of using convolutional neural networks in archaeology is studying the spatial structure of archaeological sites. This article describes the results of the three-year project on constructing and training convolutional neural networks for archaeological research, which has been implemented in Chelyabinsk State University in collaboration with archaeologists and IT specialists. For detecting archaeological sites, eight types of objects typical for the region under study were selected, including fortified settlements of the Bronze Age, unfortified settlements of the Bronze Age, burial mounds, four types of stone mounds of the Early Iron Age or the Middle Ages, mounds with stone "mustaches ” of the Early Middle Ages, dumbbell-shaped mounds, and burial mounds with stone fences of the Middle Ages. Two approaches were proposed for searching for archaeological sites. The first approach was based on residual neural networks ResNet 50 and turned out not to be very effective. The second approach used the Pointview-GCN transformer architecture and showed significantly better results. 3D semantic segmentation of the relief of archaeological sites of the Bronze Age from the Southern Trans-Urals performed by the neural network has shown good correspondence with results of relief interpretation by specialists. This makes it possible to use the created model for automatic interpretation of large areas of the relief, aimed at identifying archaeological heritage sites.
