InSwAV: אשכולת תכונות משופרת על‑ידי אינבולוציה והקצאות מוחלפות לסיווג תמונות מיקרוסקופיות של חרסינה עתיקה

מדוע חרסינה שבורה חשובה להווה

בכל רחבי סין ומעבר לה, חפירות ארכיאולוגיות מעלות הרים של חרסינה מרוסקת. כל שבר נושא רמזים על אורחות החיים, הסחר והשליטה באפייה בטמפרטורות גבוהות לפני מאות שנים. עם זאת, מיון והתאמת שברים רבים אלה מהווים עבודה איטית התלויה במומחים. מחקר זה מציג גישת בינה מלאכותית חדשה, בשם InSwAV, שלומדת מתמונות מיקרוסקופיות של פני חרסינה כדי לאחד באופן אוטומטי שברים על‑פי סוג. סיווג מהיר ואמין יותר יכול לזרז משמעותית עבודות שיקום ולהעמיק את הבנתנו את המורשת התרבותית.

לראות היסטוריה בבועות זעירות

בעין בלתי משורטטת, חלק מן המוטיבים של חרסינה נראים דומים ולעיתים מבלבלים: זגגות לבנות או ירקרקות, דוגמאות מתדרדרות וקצוות פגומים. תחת מיקרוסקופ נפתחת לעומת זאת מערכה אחרת. בועיות זעירות כלואות בזגוגית משמרות פרטים על החימר, מתכון הזגוגית, טמפרטורת האפייה ואפילו על האופנים של כוכים או סדנאות בודדות. מחקרים קודמים הראו כי גודל, צורה והתפלגות הבועות משתנים בין מרכזי יצור ותקופות זמן, מה שהופך אותן לטביעות אצבע חזקות לזיהוי ותיארוך. עם זאת, חילוץ ופענוח של דפוסים עדינים אלה ידנית או בעזרת כלים מסורתיים לעיבוד תמונה דורשים עבודה רבה ורגישים לרעש.

להניח למחשב ללמד את עצמו

מכשול מרכזי בתחום הוא החסרון של נתונים מתוייגים: מומחים יכולים לתייג רק מספר מוגבל של תמונות מיקרוסקופיות, וחלק מסוגי השברים נדירים. במקום להסתמך על אלפי דוגמאות מתוייגות על ידי מומחים, הכותבים פונים ללמידה דמויית‑עצמי, שבה רשת נוירונים מאומנת לגלות מבנה בנתונים באופן עצמאי. הם בונים את מאגר התמונות המיקרוסקופיות של עתיקות החרסינה (PRMI), הכולל 7425 תמונות בהגדלה גבוהה מתוך חמש קטגוריות חרסינה. עבור כל מיקרוגרף מקורי המערכת יוצרת מספר גרסאות משונעות על‑ידי חיתוך, היפוך, שינויים קלים בצבע וטשטוש. "מבטי" אלה מציגים את אותו חומר בדרכים שונות, ומעודדים את המחשב להתמקד בתכונות יציבות ומשמעותיות במקום בפרטים שטחיים.

דרך חכמה יותר לזהות דפוסים

לב המתודולוגיה הוא InSwAV, רשת המבוססת על מחלץ תכונות מותאם בשם ResInv. רשתות תמונה סטנדרטיות משתמשות במסנני קונבולוציה קבועים החולפים על פני התמונה. ResInv מעורבב במקום זאת באופרטציות "אינוולוציה" שמשנות את התנהגותן בהתאם למיקום, ותופסות טוב יותר צורות רב‑קנה מידה וא-סימטריות של בועות הזגוגית וסדקים. לאחר ש‑ResInv ממיר כל תמונה לחתימה קומפקטית, InSwAV אינו משווה תמונות בודדות ישירות. במקום זאת, הוא מקצה אותן לסט של "פרוטוטיפים" הנלמדים, או מרכזי אשכולות, ואז בודק האם מבטים מוזרקים שונים של אותו שבר נופלים לאשכולות תואמות. שלב מתמטי של איזון מגן על המודל מלהתעצל ולרכז הכל בכמה קבוצות בודדות, וכופה עליו לחשוף מבנה אמיתי וברור יותר.

דיוק, מהירות ומה שהם חושפים

במאגר PRMI, InSwAV מבחין נכון בחמש קטגוריות החרסינה ב‑96.2% מהמקרים, מביס בבירור מספר שיטות מובילות של למידה דמויית‑עצמי ואפילו בסיס מפוקח חזק שקיבל גישה לתוויות. הוא גם מתאמן הרבה יותר מהר, ומגיע לדיוק גבוה לאחר מספר שעות בודדות בחומרה גרפית מודרנית. ויזואליזציות של פעילות פנימית של הרשת מראות כי ResInv מתמקד בבועות ובפרטי המיקרו‑מבנה המרכזיים, בעוד ארכיטקטורה סטנדרטית נוטה להיות מוסחת על ידי אזורים ברקע. הגישה גם עמידה בפני בחירות שונות של מספר האשכולות שהמודל משתמש בהן, מה שמרמז על יכולת הסתגלות טובה למאגרים חדשים.

מה משמעות הדבר עבור כדים שבורים ומעבר להם

במילים פשוטות, המחקר מראה שמחשב יכול ללמוד להבחין בין עתיקות חרסינה שונות על‑פי "נופי הבועות" המיקרוסקופיים שלהן, אפילו כאשר מומחים מספקים מעט תוויות. יכולת זו עשויה לסייע למוזיאונים וארכיאולוגים למיין אוספים גדולים במהירות רבה יותר, להתאים שברים להרכבה וירטואלית ולתמוך במחקרים על טכנולוגיות כורים ורשתות סחר. הכותבים מתכננים להרחיב את מאגר הנתונים שלהם, לבדוק את השיטה על אוספי תמונות רחבים יותר ולייעל עוד את המודל לשימוש בשטח. ככל שכלים אלה יתפתחו, הם מבטיחים להפוך קטעים שבירים מפאזלים גוזלי‑זמן לרשומות עשירות ונגישות במהירות על העבר.

ציטוט: Liu, Y., Liu, J., Liu, X. et al. InSwAV: involution enhanced feature clustering and swapped assignments for porcelain relic microscopic image classification. npj Herit. Sci. 14, 117 (2026). https://doi.org/10.1038/s40494-026-02391-0

מילות מפתח: עתיקות חרסינה, הדמיה מיקרוסקופית, למידה דמויית‑עצמי, שיקום מורשת תרבותית, סיווג תמונות