Yapay Zeka Antik Çömlekleri Yüzde 93 Doğrulukla Okudu

Üç boyutlu tarama verilerini kullanarak çömleği şekline göre yüksek doğrulukla sınıflandırabilen bir derin öğrenme modeli geliştirildi.

Antik çömleklerin sınıflandırılması her zaman arkeologların deneyime dayalı yargısına bağlı oldu. Parça türleri arasındaki ince farkları ayırt etmek yıllar gerektiriyor; üstelik iki uzman her zaman aynı sonuca varmıyor. Şimdi ise Japonya’daki Nagoya Üniversitesi’nden araştırmacıların da yer aldığı bir ekip, fotoğraf ya da çizim yerine üç boyutlu tarama verilerini kullanarak çömleği şekline göre yüksek doğrulukla sınıflandırabilen bir derin öğrenme modeli geliştirdi.

Bu yaklaşımı öne çıkaran şey yalnızca doğruluğu değil. Araştırmacılar, modelin hangi bölgelere en fazla ağırlık verdiğini görselleştirerek, modelin uzman arkeologların bir parçayı elle incelerken göz önünde bulundurduğu alanlara odaklanma eğiliminde olduğunu keşfetti.

(İlgili: Kuralları Bilinmeyen Antik Roma Oyununu Yapay Zeka Çözdü)

Çalışmanın kıdemli yazarı Hayata Inoue, “Modelimiz, sınıflandırma kararında hangi noktaların en belirleyici olduğunu görmemizi sağlıyor” diyor. “Bu şeffaflık, modeli kara bir kutudan çıkarıp kararların nasıl alındığını anlamamıza yardımcı bir araca dönüştürüyor.” Sonuçlar Journal of Archaeological Science dergisinde yayımlandı.

Kategoriler Arasında Kalan Bir Çömlek Türü

Çalışma, Japonya’da ağırlıklı olarak 5. ile 10. yüzyıllar arasında kullanılan sırsız bir taş seramik olan Sue seramiğine odaklanıyor. Gri ile kahverengi-gri arasında değişen rengiyle çömlek çarkında şekillendirilen ve tünel fırınında yüksek sıcaklıkta pişirilen Sue seramiği, biçim açısından görece tutarlı parçalar üretiyor ve bu özelliğiyle biçime dayalı sınıflandırma için doğal bir aday oluşturuyor.

Araştırma, 8. yüzyıldan 9. yüzyılın ortasına kadar Japonya’nın en önemli Sue seramiği üretim merkezi olan Aichi İli’ndeki Sanage fırınından çıkan çömleği inceliyor. Bu fırının ürettiği türler arasında iki günlük sofra eşyası kategorisi uzun süredir sorun yaratıyor: Tabak Gövdesi ve Kase.

Tabak türü parçalar daha dik kenarlara ve düz diplere sahipken, kase türü parçalar hafifçe kıvrılan kenarlara ve tabanlara sahip. Ancak 8. yüzyıldan 9. yüzyılın ortasına uzanan dönemde, uzmanlar tarafından etiketlenen bu iki kategorideki pek çok örnek her iki türün özelliklerini de bir arada taşıyor. Araştırmacılar bu bulanıklığın tarihsel bir dönüşümü yansıttığına inanıyor. Japonya’da yemek yeme alışkanlıklarının bu dönemde yemeklere elle uzanmaktan yemek çubuğu ya da kaşık kullanmaya doğru değiştiği düşünülüyor; sofra kaplarının değişen biçimleri ise bu geçişin bir kaydı niteliğinde olabilir.

Üç Boyutta Çalışan Bir Modelin Geliştirilmesi

Derin öğrenmeye dayalı çömlek sınıflandırmasındaki önceki yaklaşımlar büyük ölçüde iki boyutlu fotoğraflara ya da kesit çizimlerine dayanıyordu. Bu yöntemin sınırlılığı açık: üç boyutlu bir nesneyi tek bir profile indirgemek yüzey bilgisini yok ediyor; üstelik kesit görünümünde neredeyse özdeş olan iki nesne, üç boyutlu olarak anlamlı biçimde farklılaşabiliyor.

Bu engeli aşmak için ekip, üç boyutlu nokta bulutlarını doğrudan işleyen Point Transformer adlı bir mimari kullandı. Nokta bulutu, bir nesnenin şeklini tam olarak tanımlamak amacıyla yüzeyindeki binlerce uzamsal koordinatı haritalıyor. Ekip, optik tarayıcı ve fotogrametri yöntemiyle 917 Sue seramiği parçasını dijitalleştirdi. Her birini 1.024 noktayla temsil etti ve uzman arkeologların etiket atamasını sağladı. Model daha sonra beş tür arasındaki biçim farklılıklarını tanımak üzere eğitildi: tabak kapağı, halkalı tabanlı tabak gövdesi, tabak gövdesi, kase ve servis tabağı.

Modelin Geçmiş Hakkında Ortaya Çıkardıkları

Model, beş türün tamamında yüzde 93,2 genel doğruluk oranına ulaşarak görsel açıdan en belirgin kategorilerde neredeyse kusursuz bir performans sergiledi. En düşük skorlar Tabak Gövdesi ve Kase türlerinden geldi. Modelin bu ikisini birbirinden ayırmakta yaşadığı güçlük, bu iki türün biçimleri arasındaki gerçek örtüşmeyi yansıtıyor ve geçiş döneminde bu iki kategori arasındaki sınırın net biçimde belirlenmediği görüşünü destekliyor.

Modelin kararlarını nasıl aldığını anlamak için araştırmacılar, bir nesne üzerindeki hangi noktaların belirli bir sınıflandırmaya en fazla katkıda bulunduğunu öne çıkaran Gradyan Ağırlıklı Sınıf Aktivasyon Haritalama (Grad-CAM) adlı bir teknik kullandı. Tabak Gövdesi tahminlerinde model, ağız kenarına ve taban ile kenar arasındaki dik iç açıya odaklandı. Kase tahminlerinde ise dış yüzey ve tabana yoğunlaştı. Bunlar, uzman arkeologların parçaları elle sınıflandırırken önemli saydıkları bölgelerle örtüşüyor olabilir. Ancak model her zaman aynı örüntüyü izlemiyor.

Ekip, veri setini ve kodu kamuya açık hale getirdi; çerçeve ise Japonya dışındaki diğer seramik geleneklerine uyarlanabilecek şekilde tasarlandı. Makalenin sorumlu yazarı Wataru Tatsuda, “Bu yaklaşım makul ölçüde büyük bir örneklem gerektiriyor” diyor. “Ancak bu çalışmanın, arkeolojide üç boyutlu verilerin derin öğrenmeye dayalı morfolojik sınıflandırması için dünya genelinde bir başlangıç noktası olmasını umuyoruz.”

Nagoya University. 26 Mart 2026.

Makale: Tatsuda, W., Hori, R., Morikawa, K., & Inoue, H. (2026). Deep learning-based morphological classification of ceramics: A case study of 3D point cloud analysis for Sue ware, Japan. Journal of Archaeological Science, 187, 106472.