研究人员正在使用卷积神经网络搜索卫星图像，以绘制俄罗斯，蒙古和中国部分地区的古代墓地的地图
找到一位装满黄金制品，武器和精致衣服的古代国王的墓碑，似乎是任何考古学家的幻想。但是，吉诺·卡斯帕里（Gino Caspari）可以告诉您，搜索它们非常繁琐。
瑞士国家科学基金会的研究考古学家卡斯帕里（Caspari）博士研究了古老的斯基赛人（Scythians），这是一种游牧文化，其骑马的战士在3000年前对亚洲平原造成了恐怖。 Scythian皇室陵墓包含着他们从邻居那里掠夺的大量神话般的财富。从埋葬尸体的那一刻起，这些坟墓就成为抢劫犯的热门目标；卡斯帕里博士估计，其中超过90％被摧毁。
他怀疑成千上万的坟墓分布在整个欧亚草原上，这些坟墓延伸了数百万平方英里。他花了几个小时使用Google Earth的地形图来绘制墓葬，该地区现在是俄罗斯，蒙古和中国西部的新疆省。卡萨里博士说：“这本质上是一项愚蠢的任务。” “那不是受过良好教育的学者应该做的。”
事实证明，在曼哈顿莫宁赛德高地附近的国际之家，卡斯帕里博士的邻居找到了解决方案。邻居帕勃罗·克雷斯波（Pablo Crespo）当时是纽约城市大学（City University of New York）经济学研究生，当时他正在与人工智能一起估算商品价格的波动性，他告诉卡斯帕里（Caspari）博士，他需要的是卷积神经网络来搜索他的卫星给他的图像。两人秉承共同的学术理念，即公开发表作品，以造福更大的学术界，并热爱重金属音乐。在International House酒吧的啤酒上，他们开始了一项合作，使他们处于新型考古分析的最前沿。
卷积神经网络（C.N.N.）是一种人工智能，旨在分析可以作为网格处理的信息。它特别适合分析照片和其他图像。网络将图像视为像素网格。中华民国Crespo博士设计的方法是首先根据每个像素的红色程度给它一个等级，然后再给绿色和蓝色一个等级。在根据各种其他参数对每个像素进行评级之后，网络开始分析小像素组，然后依次分析较大的像素组，以寻找与已训练的点数据匹配或接近匹配的数据。
两位研究人员在业余时间通过网络运行了1,212幅卫星图像，历时数月，要求其寻找圆形的石头坟墓，而忽略其他圆形的，类似坟墓的东西，例如成堆的建筑垃圾和灌溉池塘。
最初，他们使用的图像跨度约为2,000平方英里。他们使用四分之三的图像来训练网络，以了解Scythian墓的外观，在错过已知坟墓或突出显示不存在的坟墓时对其进行校正。他们使用其余的图像来测试系统。网络可以在98％的时间内正确识别出已知的坟墓。
Crespo博士说，创建网络很简单。他用不到一个月的时间用Python编程语言编写了它，而且不计任何费用，不包括啤酒的价格。卡斯帕里博士希望，他们的创造将为考古学家提供一种寻找新坟墓和识别重要遗址的方法，从而使他们免受抢劫者的侵害。
其他卷积神经网络也开始使通常要交给研究生的各种重复性任务自动化。他们为过去打开了新的窗口。这些网络正在继承的工作包括对陶器碎片进行分类，在声纳图像中定位沉船以及在互联网上非法出售待售的人骨。
现任Etsy资深数据科学家的Crespo博士说：“ Netflix正在使用这种技术向您显示建议。 “我们为什么不应该将它用于保存人类历史之类的事情？”
意大利比萨大学的考古学家Gabriele Gattiglia和Francesca Anichini都在挖掘罗马帝国时代的遗址，这需要分析成千上万的陶器碎片。在罗马文化中，几乎每种类型的容器（包括烹饪容器和用于在地中海周围运输货物的安瓿）都是用粘土制成的，因此进行陶器分析对于理解罗马生活至关重要。
这项任务涉及将陶器片材与印刷目录中的图片进行比较。 Gattiglia博士和Anichini博士估计，他们只有20％的时间是在发掘现场。其余的花在分析陶器上，而陶器是没有报酬的工作。 Gattiglia博士说：“我们开始梦想用某种神奇的工具来识别出土的陶器。”
那个梦想成为了ArchAIDE项目，这是一个数字工具，考古学家可以在该照片中拍摄一块陶器，并通过卷积神经网络对其进行识别。该项目获得了欧盟Horizon 2020研究与创新计划的资助，目前有来自欧洲各地的研究人员以及以色列特拉维夫大学的计算机科学家团队设计了C.N.N.s。
该项目涉及数字化许多纸质目录，并使用它们来训练神经网络以识别不同类型的陶器。训练了第二个网络，以识别陶片的轮廓。到目前为止，ArchAIDE只能识别少数几种特定的陶器类型，但是随着越来越多的研究人员将其收藏品添加到数据库中，这种类型的数量预计将会增加。
“我梦想着拥有所有类型陶瓷的目录，”阿尼奇尼博士说。 “我不知道这辈子是否有可能完成。”
节省时间是使用卷积神经网络的最大优势之一。在海洋考古学中，轮船时间很昂贵，潜水员不能在水下花费过多时间，而不会冒与压力有关的严重伤害的风险。加利福尼亚州克莱蒙特市哈维·穆德学院的工程师克里斯·克拉克（Chris Clark）正在解决这两个问题，方法是使用水下机器人对海底进行声纳扫描，然后使用卷积神经网络在图像中查找沉船和其他地点。近年来，他一直与马耳他大学的考古学家Timmy Gambin合作，搜寻马耳他岛周围的地中海海底。
他们的系统起步很艰难：在第一次航行中，他们将机器人撞入了沉船中，不得不派一名潜水员来找回它。那里的情况有所改善。在2017年，该网络发现原来是马耳他海岸外的第二次世界大战时期潜水轰炸机的残骸。克拉克（Clark）博士和甘比恩（Gambin）博士现在正在网络确定的另一个站点上工作，但是在研究经过同行评审之前，不想讨论细节。
渥太华卡尔顿大学数字人文科学教授肖恩·格雷厄姆（Shawn Graham）使用由Google设计的名为Inception 3.0的卷积神经网络在互联网上搜索与人体骨骼买卖有关的图像。美国和许多其他国家/地区都有法律规定，将博物馆藏品中保存的人体骨骼归还其后代。但是，规避这些法律的人也掌握着骨头。格雷厄姆博士说，他甚至看过在线视频，人们在挖坟墓来养活这个市场。
格雷厄姆博士说：“这些被买卖的人从未同意这一点。” “这确实对那些被驱逐出祖先的社区造成了持续的暴力。作为考古学家，我们应该努力制止这种情况。”
他对Inception 3.0进行了一些更改，以便可以识别人体骨骼的照片。该系统已经过训练，可以识别数百万张照片中的物体，但是这些物体都不是骨头。从那以后，他已经在超过80,000张人体骨骼图像上训练了他的版本。他现在与一个名为“打击网上犯罪组织”的小组合作，该小组正在使用神经网络跟踪与非法象牙贸易和性贩运有关的图像。
Crespo博士和Caspari博士说，通过将信息技术工具整合到他们的工作中，社会科学和人文科学可以从中受益。他们的卷积神经网络易于使用，任何人都可以自由修改以适应自己的研究需求。他们说，最后，科学的进步归结为两点。
卡帕里博士说：“创新确实发生在既有领域的交汇处。”克雷斯波博士补充说：“不时与邻居喝啤酒。”