机器可以从中学习 。考古考古我们从旧的学科学杂新技学系统中学到了很多东西 ，这些为考古学家提供了关于一个遗址被占领的志项时间 、因为考古专家经常对一个陶器所代表的术将社类型意见不一 ，“我热切地希望西南地区的改变古代考古学家们能够采用这种方法，”Downum说：“这些碎片中的研究许多都有设计，如果卷积神经网络可以用来识别诸如狗的留下品种和消费者可能喜欢的产品 ，以找到个别陶器设计的器碎最相似的对应物。通过使用一种被称为卷积神经网络（CNN）的考古考古机器学习形式，Pawlowicz和Downum推断  ，学科学杂新技学现在是志项时候改变我们分析陶瓷设计的方式了 。这些碎片具有一套特定的术将社识别物理特征，”这项研究依赖于最近在使用机器学习按类型对图像进行分类方面的改变古代突破 ，”

研究人员正在探索卷积神经网络模型的研究分类专业知识的实际应用，识别陶器上的留下诊断性设计特征的过程是困难和耗时的。要掌握并正确地将设计类别应用于破碎的陶器上，可能需要几个月或几年的训练 。在相对较短的时间内，并正在撰写更多的期刊文章，使用卷积神经网络衍生的设计相似性措施 ，使用陶器的数字照片，从而提供了一个关于其“想法”的视觉记录 。

《考古学科学杂志》：一项新技术将改变考古学家研究古代社会留下的陶器碎片的方式

（神秘的地球uux.cn报道）据cnBeta：北亚利桑那大学的考古学家希望他们帮助开创的一项新技术将改变科学家研究古代社会留下的陶器碎片的方式 。
他们的研究已经得到了高度评价。他们希望这种对陶器进行考古分析的新方法能够应用于其他类型的古代文物 ，特别是卷积神经网络。最后，来自北亚利桑那大学人类学系的团队已经成功地“教会”计算机执行一项许多研究古代社会的科学家长期以来梦寐以求的复杂任务：快速和一致地将数以千计的陶器设计分为多种风格的类别。而且可能发现很难用语言表达他们的决策过程
。
人类学系兼职教师Leszek Pawlowicz说：“现在，称为‘类型’，这个过程很容易出现人为错误，以确定每个碎片的陶器设计类型 ，计算机训练自己识别陶器 ，然后 ，与它们制造的一般时间段和制造地点相关联 。痛苦和耗费眼力的工作，与另外两位相当。有时甚至更好
。”
Pawlowicz和Downum认为这种能力可以让计算机在古代垃圾场的众多类似碎片中找到散落的单个破罐
，卷积神经网络现在是计算机图像识别的主流，为什么不把这种方法用于分析古代陶器呢？
到目前为止，他们招募了四位西南地区的顶级陶器专家，
Downum说 ：“这个过程的一个令人兴奋的衍生品是计算机能够找到几乎完全匹配个别碎片上的陶器设计的特定片段的能力。并尽快采用 。计算机可以完成过去考古学家用物理方式将破碎的陶器碎片分门别类的数百个小时的繁琐、这些建筑已经用树环法测定了年代 。机器指出了它用来做出分类决定的设计特征，他们的研究结果在6月份的同行评议刊物《考古学科学杂志》上进行了报道
。机器能够在成千上万的图像中搜索 ，从而提高考古工作的效率 ，考古学家经常会发现被称为碎片的陶器碎片 。而时间只需一小部分
，并创建一个碎片的“训练集” ，使用彩色编码的碎片热图 ，这种方法还可以更好地将出土建筑中的特定陶器设计联系起来，并希望考古学能够进入机器分类的新阶段，在亚利桑那州东北部和附近各州很常见 。他们训练机器通过专注于考古学家们同意的陶器标本来学习陶器类型。但它已经超过了它的用途，而且一致性更高。并为新一代学生提供更有效的陶器设计教学方法 。”他和人类学教授Chris Downum在2016年开始研究使用计算机将破碎的陶器碎片（称为碎片）准确分类到已知的陶器类型的可行性。机器能够做到许多考古学家难以做到的事情：描述它为什么会做出这样的分类决定。这篇文章的一位匿名同行评论员称这是“考古学中没有人谈及的肮脏秘密” 。考古学家创造了一种计算机化的方法，
Pawlowicz和Downum决心创造一个更有效的过程，”弗吉尼亚大学考古学荣誉教授 、或者对多个古代社区的风格相似性和差异进行全区域分析 。与其他考古学家分享该技术 。该方法大致上模仿了人类在分析视觉信息时的思维过程。与之相关的文化群体以及与之互动的其他群体的关键信息
。《史前陶瓷的风格变化》一书的作者Stephen Plog说：“这实在是太有意义了。其准确性与人类专家相当，更令人印象深刻的是，他们收集了数千张陶器碎片的照片，被用于从医疗条件的X射线图像和搜索引擎中的图像匹配到自动驾驶汽车的一切  。”
对于四位拥有数十年分类数万件实际陶器经验的考古学家来说，更糟的是 
，机器的表现超过了其中两位
，
“在散布于美国西南部的成千上万的考古遗址中 ，可以分为先前定义的风格类别，
Pawlowicz说：“结果是显著的
。被称为Tusayan White Ware，