بحث حول تمييز نقش المرايا النحاسية في عهد سونغ بالاستناد إلى MOEAD

لماذا تلتقي المرايا القديمة بالآلات الحديثة

تخيّل أن كاميرا هاتفك تستطيع فوراً تحديد الكائنات الأسطورية المنقوشة على مرآة برونزية عمرها ألف عام. تقرّب هذه الدراسة تلك الرؤية من الواقع. يجمع المؤلفون بين برمجيات متقدمة للتعرّف على الصور واستراتيجية تحسين ذكية لتحديد تصاميم الحيوانات على مرايا عصر سونغ تلقائياً، مما يساعد الأمناء والآثاريين والجمهور على استكشاف الكنوز الثقافية بسرعة ودقة أكبر.

تسليط الضوء على مرايا برونز سونغ

كانت المرايا البرونزية أدوات يومية في الصين القديمة، لكنها أيضاً حملت معانٍ اجتماعية وروحية عميقة. بحلول عهد سونغ، كانت الوجوه الخلفية مزخرفة بمشاهد معقدة: تنانين وفونيكسات، رافعات وسلاحف، أسود وغزلان، وكل منها محمّل برموز عن السلطة والحظ والمعتقد. تم استخراج أعداد كبيرة من هذه المرايا، لكن تحديد نقوشها التفصيلية اعتمد طويلاً على عين الخبراء—وهي مقاربة بطيئة وذاتية ومن الصعب توسيعها. يجادل المؤلفون بأنه إذا أمكن لأجهزة الحاسوب تمييز هذه الزخارف بثبات، فسيتيح ذلك فهرسة أكثر اتساقاً، وحفظاً رقمياً، وأنواعاً جديدة من التحليل الثقافي.

تحويل الزخارف إلى بيانات يمكن للحاسوب قراءتها

لتعليم الحاسوب «رؤية» هذه التصاميم، جمع الفريق أولاً مجموعة صور مخصصة مكونة من 140 مرآة برونزية من عهد سونغ تضم 14 نوعاً من الحيوانات، من التنانين والفونيكس إلى الأسماك والنمور وزقزاق الأوز. تم وسم كل صورة بعناية حسب الزخرفة ثم تقسيمها إلى مجموعات تدريب وتحقق واختبار. ونظراً لصغر حجم مجموعة البيانات وندرة بعض الحيوانات، قام الباحثون بتوسيع مادة التدريب باستخدام تحويلات منهجية—قص، قلب، تدوير، تغيير اللون والسطوع، وحتى مسح بقع صغيرة. تحاكي هذه التباينات الطريقة التي قد تظهر بها القطع الأصلية تحت إضاءات وزوايا كاميرا مختلفة أو أثر التلف، مما يساعد النموذج على تعلّم جوهر كل زخرفة بدلاً من حفظ أمثلة قليلة نقية.

كيف يعمل نظام التعرّف الذكي

في قلب النظام يوجد نموذج تعلم عميق يسمى ResNet50، وهو نوع من العين الرقمية التي تتعلّم استخراج الأنماط البصرية من الصور. يتضمن تصميمه وصلات «اختصارية» تساعد على انسياب المعلومات عبر طبقات عديدة دون فقدانها، مما يتيح له التقاط تفاصيل سطحية دقيقة وأشكال أعلى مستوى. علاوة على ذلك، يقدم المؤلفون استراتيجية من الحوسبة التطورية تُعرف باسم MOEA/D. بدلاً من تخمين إعدادات التدريب يدوياً، يتيحون لتجمع افتراضي من الإعدادات المرشحة «التطوّر» على مدى جولات متعددة. يُحكم على كل مرشح وفق عدة أهداف في آن واحد: الحفاظ على أخطاء تنبؤ منخفضة، وتعظيم الدقة عبر التصنيفات، والحفاظ على سلوك مستقر. مع مرور الوقت، يتقارب الخوارزم على تركيبات سرعة التعلم وقوة التنظيم التي تقدم أفضل توازن بين الدقة والموثوقية.

اختبار النظام

قارن الباحثون بعد ذلك نموذجهم المحسّن بثلاثة بدائل شائعة: VGG16 وEfficientNet-B0، ونسخة غير محسّنة من ResNet50. دُرّبت جميع النماذج على نفس صور المرايا واختُبرت على أمثلة لم تُرَ من قبل. تميّز النظام المحسّن. حقق دقة هامينغ—مقياس لمدى اتساق التنبؤ بكل تسمية—أكثر من 94% على مجموعة التحقق وأكثر من 91% على مجموعة الاختبار، متفوقاً على الشبكات الأخرى. كما أظهر أداءً أكثر سلاسة عبر الفئات، متجنباً النمط الذي تُكتشف فيه بعض الحيوانات بنسبة شبه كاملة بينما تُفقد أخرى كلياً. أشارت تجارب إضافية، بما في ذلك اختبارات إحصائية ودراسات تغطية تُخفي أجزاء من الصورة، إلى أن المكاسب ليست مجرد حظ: فالنموذج يركّز فعلاً على مناطق الزخرفة ويفعل ذلك بشكل متكرر، حتى لبعض الحيوانات النادرة.

ماذا يعني هذا للتراث الثقافي

بالنسبة لغير المتخصصين، الملاحظة الأساسية بسيطة: تُظهر الدراسة أن الذكاء الاصطناعي المضبوط بعناية يمكنه رصد الحيوانات على مرايا برونزية عمرها قرون بمصداقية، بتكلفة حسابية إضافية ضئيلة واعتماد أقل على حكم الخبراء وحده. ورغم أن النموذج لا يزال يواجه صعوبة مع الزخارف النادرة جداً أو المتشابهة بصرياً، إلا أنه يقدم بالفعل أداة عملية للمتاحف والباحثين لتسريع الفهرسة ودعم الأرشيفات الرقمية. مع توفر مجموعات صور أكبر وتحسين الطريقة—ربما عبر توليد بيانات أقوى وتصويرات تفسيرية أكثر وضوحاً—يمكن تمديد نهج مماثل ليشمل قطعاً أثرية أخرى، من الحجر المنحوت إلى المنسوجات المطلية، مما يجعل البُنية غير المرئية لماضينا المادي ظاهرة من جديد لكل من الباحثين والجمهور العام.

الاستشهاد: Feng, Q., Yu, K., Li, Y. et al. Research on Song dynasty copper mirror pattern recognition based on MOEAD. npj Herit. Sci. 14, 158 (2026). https://doi.org/10.1038/s40494-026-02413-x

الكلمات المفتاحية: مرايا برونزية من عهد سونغ, التراث الثقافي والذكاء الاصطناعي, تمييز أنماط الصور, تحسين التعلم العميق, تصنيف زخارف القطع الأثرية