دمج صور متعددة الرؤى باستخدام تقطير المعرفة لتصنيف خرز زجاجي قديم مُنبَش في اليابان

الخرز كبوابات زمنية

لمدة تزيد على ألف عام، سافر خرز زجاجي صغير على طرق التجارة من البحر الأبيض المتوسط والهند إلى الأرخبيل الياباني. اليوم، تُعد هذه الشظايا الملونة من أكثر القطع الأثرية شيوعًا المُنبَشة في اليابان—فقد تم العثور على أكثر من 600,000 منها—لكن تحديد مكان صناعتها بدقة يتطلب عادة اختبارات كيميائية باهظة وبطيئة وعين خبير مدرَّبة. تطرح هذه الدراسة سؤالًا بسيطًا لكنه قوي: هل يمكن للصور العادية والذكاء الاصطناعي الحديث أن يحلا محل المختبر، مساعدين علماء الآثار على تتبع رحلات هذه الخرزات بسرعة وبطريقة غير متوغلّة؟

لماذا يهم الزجاج القديم

الخرز الزجاجي أكثر من مجرد مجوهرات؛ إنه دلائل على اتصالات بعيدة المدى عبر أوراسيا. استخدمت مناطق مختلفة خلطات خام وملونات مميزة، مكونة "توقيعات" كيميائية يستخدمها الخبراء لتجميع الخرز إلى عائلات مرتبطة بمناطق مثل شرق آسيا، والهند، وجنوب شرق آسيا، وآسيا الوسطى، والبحر المتوسط. يعتمد عمل إثبات المنشأ التقليدي على أجهزة تقيس المكونات الكيميائية وعلى خبراء يفحصون الأشكال والألوان وعلامات التصنيع تحت التكبير. كشفت هذه الأساليب قصصًا غنية عن التجارة القديمة، لكنها صعبة التوسع لتشمل مئات الآلاف من القطع الهشة المخزنة في المتاحف والمخازن عبر اليابان.

من قياسات المختبر إلى صور بسيطة

لمعالجة عنق الزجاجة هذا، يستكشف المؤلفون طريقة تعتمد فقط على صور الخرز. بدلًا من إذابة شظية زجاجية للتحليل، يصورون كل خرزة من زاويتين: منظر علوي يكشف الفتحة الحلقية وأنماط اللون العامة، ومنظر جانبي يُظهر السماكة والمقطع العرضي. تحاكي هاتان الزاويتان كيفية تعامل الخبراء اليدوي مع القطع الأثرية، حيث يديرونها في أيديهم لالتقاط تغيّرات دقيقة في نسيج السطح والشكل. الهدف طموح: هل يمكن للكمبيوتر، من خلال هذه الصور وحدها، أن يعيّن تلقائيًا كل خرزة إلى واحدة من 16 مجموعة كيميائية وإقليمية مُعتمدة يستخدمها علماء الآثار؟

تعليم الآلات الرؤية كخبراء

استعان الفريق بنظام ذكاء اصطناعي هجين يُدعى MidNet. يجمع بين استراتيجيتين رائدتين في تحليل الصور. الأولى، المعروفة بالشبكة العصبية الالتفافية، جيدة بشكل خاص في التقاط التفاصيل الدقيقة مثل الحفر الصغيرة، وخطوط اللون، أو تلف السطح. الثانية، هي محوّل بصري، مصمم لرؤية الصورة الكُبرى—كيفية ارتباط الألوان والأشكال عبر كامل الخرزة. يعالج MidNet كلا المنظورين (العلوي والجانبي) عبر كلا النوعين من النماذج ثم يشجعهما على "الاتفاق" مع بعضهما. أثناء التدريب، يتعلم كل نموذج ليس فقط من التسمية الصحيحة بل أيضًا من تنبؤات شريكه ومن المنظور البديل. يقلل هذا التبادل من خطر أن يعلق النظام على خصوصيات زاوية أو نوع نموذج معين بدلًا من السمات البصرية المستمرة المرتبطة بالأصل.

العمل مع بيانات غير متوازنة وغير مثالية

يتألف مجموعة البيانات التي تقف خلف MidNet من 3,434 صورة خرز تم تحديد فئاتها سابقًا عبر دراسات خبراء دقيقة وتحليلات كيميائية. بعض أنواع الخرز وفيرة، بينما يمثل بعضها الآخر بضعة أمثلة فقط—مشكلة شائعة في علم الآثار. لمنع الذكاء الاصطناعي من تفضيل الفئات الأكثر شيوعًا فحسب، استخدم الباحثون حيلتين. أولًا، أنشأوا صورًا تدريبية إضافية للأنواع النادرة جدًا باستخدام تقنية توليد صور حديثة، مكوّنين تنويعات مقنعة دون لمس القطع الأثرية نفسها. ثانيًا، عمدوا إلى تشويه صور التدريب عمدًا—بتغيير اللون قليلًا، أو القص، أو إخفاء رقع صغيرة—لجعل النظام أقل حساسية للتلف الطفيف أو اختلافات الإضاءة. ثم قيّموا الأداء بإجراء تقسيمات تحقق متقاطع صارمة ليروا مدى تعميم الطريقة على خرز لم تُستخدم في التدريب.

ما مدى فعالية النظام؟

عندما قارَن الباحثون MidNet الهجين بنماذج صور أكثر تقليدية، وجدوا أن استخدام كل من المنظر العلوي والجانبي يساعد دائمًا، مؤكدين أن الزاويتين تلتقطان دلائل مكملة. من حيث الدقة الخام، مضاهى MidNet أفضل طريقة منافسة ضمن هامش لم يتجاوز سوى عدد قليل من الخرز من بين الآلاف، لكنه أظهر الاستقرار الأكبر عبر تقسيمات الاختبار المختلفة. بعبارة أخرى، تباين أداؤه أقل من تجربة إلى أخرى، مما يشير إلى أنه أقل حساسية لأي خرزات معينة قد تكون في مجموعة التدريب—وهي خاصية حاسمة عند التعامل مع أنواع أثرية نادرة. لا تزال الطريقة تواجه صعوبة مع فئات متشابهة بصريًا حتى يجد الخبراء صعوبة في التمييز بينها، مما يشير إلى مشكلة "دقيقة للغاية" حيث تكاد الفروق لا تُدرك في الصور وحدها.

ماذا يعني هذا للحفريات المستقبلية

تُظهر هذه الدراسة أن التصوير الدقيق إلى جانب تحليل الصور المتقدم يمكن أن يقدَّر به مكان صنع العديد من الخرزات الزجاجية القديمة بشكل موثوق، من دون لمس كيميائها. بالنسبة لعلماء الآثار، يفتح ذلك الباب أمام فرز سريع ومنخفض التكلفة وغير مدمّر لمجموعات كبيرة، حتى في الميدان أو في المتاحف الصغيرة التي تفتقر إلى مختبرات. بينما ستظل الحالات الصعبة تتطلب حكم الخبراء والاختبارات الكيميائية، يمكن لنظام مثل MidNet أن يتولى الجزء الأكبر من التصنيف الروتيني، ويسلط الضوء على القطع غير العادية، ويدعم أرشيفات رقمية واسعة تتتبع حركة الزجاج عبر القارات والقرون. باختصار، توضح هذه العملة كيف يمكن للذكاء الاصطناعي أن يساعد في إعادة بناء التاريخ البشري، خرزة صغيرة تلو الأخرى.

الاستشهاد: Fukuchi, T., Tamura, T. & Fukunaga, K. Multi-view image fusion using knowledge distillation for classification of ancient glass beads excavated in Japan. npj Herit. Sci. 14, 41 (2026). https://doi.org/10.1038/s40494-026-02305-0

الكلمات المفتاحية: علم الآثار, خرز زجاجي, تعلم الآلة, التصنيف المعتمد على الصور, التراث الثقافي