ในช่วงไม่กี่ปีที่ผ่านมา สาขาการอนุรักษ์ศิลปะได้พึ่งพาเทคโนโลยีการถ่ายภาพแบบไม่ทำลายมากขึ้น เทคโนโลยีการวิเคราะห์ด้วยรังสีเอกซ์ด้วยรังสีเอกซ์ด้วยกล้องจุลทรรศน์ (MA-XRF) เป็นเครื่องมืออันทรงพลังที่ช่วยให้นักวิจัยมีวิธีที่มีประสิทธิภาพในการวิเคราะห์เม็ดสีและเทคนิคการพ่นสี แต่ข้อมูลจำนวนมหาศาลที่สร้างขึ้นยังนำมาซึ่งความท้าทายใหม่ๆ อีกด้วย บรรณาธิการของ Downcodes จะแนะนำการศึกษาที่ใช้เทคโนโลยีการเรียนรู้เชิงลึกเพื่อเจาะลึกคอขวดของการวิเคราะห์ข้อมูล MA-XRF แบบดั้งเดิม
ในช่วงไม่กี่ปีที่ผ่านมา เทคโนโลยีการถ่ายภาพแบบไม่ทำลายได้รับการพัฒนาอย่างรวดเร็วในด้านการวิจัยและการปกป้องการพ่นสีด้วยกล้องจุลทรรศน์ (MA-XRF) ในฐานะหนึ่งในผู้นำ สามารถช่วยผู้เชี่ยวชาญในการระบุเม็ดสี วิเคราะห์เทคนิคการพ่นสี และให้ความเข้าใจที่ดีขึ้นเกี่ยวกับกระบวนการสร้างสรรค์ของศิลปินที่ให้ข้อมูลอันมีคุณค่า อย่างไรก็ตาม เทคโนโลยี MA-XRF จะสร้างชุดข้อมูลขนาดใหญ่และซับซ้อน ทำให้เกิดความท้าทายต่อวิธีการวิเคราะห์ข้อมูลแบบดั้งเดิม
เมื่อเร็วๆ นี้ นักวิจัยชาวอิตาลีใช้อัลกอริธึมการเรียนรู้เชิงลึกในการวิเคราะห์สเปกตรัมของชุดข้อมูล MA-XRF และพัฒนาวิธีการวิเคราะห์ชุดใหม่ วิธีนี้ใช้สเปกตรัมสังเคราะห์มากกว่า 500,000 สเปกตรัมที่สร้างขึ้นโดยการจำลองมอนติคาร์โลเพื่อฝึกอัลกอริธึมการเรียนรู้เชิงลึก และสามารถวิเคราะห์สเปกตรัม XRF ในชุดข้อมูล MA-XRF ได้อย่างรวดเร็วและแม่นยำ ซึ่งเอาชนะข้อจำกัดของวิธีแยกส่วนแบบดั้งเดิม

เพื่อตรวจสอบความถูกต้องและการบังคับใช้วิธีการใหม่นี้ นักวิจัยได้ประยุกต์ใช้กับภาพวาดของราฟาเอล 2 ภาพ ได้แก่ "พระเจ้าพระบิดา" และ "พระแม่มารี" ซึ่งจัดแสดงอยู่ที่พิพิธภัณฑ์คาโปดิมอนเตในอิตาลี ผลการวิจัยพบว่าโมเดลการเรียนรู้เชิงลึกไม่เพียงแต่สามารถวัดปริมาณความเข้มของเส้นเรืองแสงได้แม่นยำยิ่งขึ้น แต่ยังกำจัดสิ่งแปลกปลอมที่เกิดจากวิธีการวิเคราะห์แบบดั้งเดิมได้อย่างมีประสิทธิภาพ และสร้างแผนที่การกระจายองค์ประกอบที่ชัดเจนยิ่งขึ้น

จากการวิเคราะห์เปรียบเทียบกับอัลกอริธึมการแยกส่วนแบบดั้งเดิม นักวิจัยพบว่าวิธีการใหม่นี้ทำงานได้ดีขึ้นเมื่อประมวลผลเส้นองค์ประกอบที่มีการนับต่ำและอัตราส่วนสัญญาณต่อเสียงรบกวนต่ำ และสามารถแยกเส้นเรืองแสงที่ทับซ้อนกันในสเปกตรัม XRF ได้แม่นยำมากขึ้น จึงทำให้ แม่นยำยิ่งขึ้น ระบุเม็ดสีได้อย่างแม่นยำ ตัวอย่างเช่น วิธีการใหม่สามารถแยกแยะธาตุเหล็ก (Fe) และแมงกานีส (Mn) ที่มีพลังงานใกล้เคียงกันได้อย่างแม่นยำ รวมถึงธาตุตะกั่ว (Pb) และซัลเฟอร์ (S) ได้อย่างแม่นยำ เพื่อหลีกเลี่ยงการวินิจฉัยผิดพลาดซึ่งเกิดขึ้นได้ง่ายจากวิธีการแบบเดิมๆ
ผลการวิจัยนี้ถือเป็นความก้าวหน้าครั้งสำคัญของเทคโนโลยีปัญญาประดิษฐ์ในด้านการวิเคราะห์งานศิลปะ และนำเสนอแนวคิดใหม่สำหรับการวิเคราะห์สเปกตรัม XRF ที่แม่นยำและมีประสิทธิภาพมากขึ้น โดยเฉพาะอย่างยิ่งสำหรับการประมวลผลชุดข้อมูลขนาดใหญ่ที่สร้างโดยเทคโนโลยีการถ่ายภาพ MA-XRF ในอนาคต นักวิจัยวางแผนที่จะขยายขอบเขตของการประยุกต์วิธีการนี้เพิ่มเติม เช่น การอนุมานโครงสร้างโทโมกราฟีของภาพวาด หรือการเปรียบเทียบข้อมูลสเปกตรัมที่ได้จากเครื่องมือต่างๆ
ที่อยู่กระดาษ: https://www.science.org/doi/10.1126/sciadv.adp6234
งานวิจัยนี้แสดงให้เห็นถึงศักยภาพที่ยอดเยี่ยมของการเรียนรู้เชิงลึกในด้านการวิเคราะห์งานศิลปะอย่างเต็มที่ และมอบวิธีการทางเทคนิคใหม่สำหรับการปกป้องและการวิจัยงานศิลปะ บรรณาธิการของ Downcodes หวังว่าจะได้ใช้เทคโนโลยีปัญญาประดิษฐ์มากขึ้นในสาขาศิลปะเพื่อส่งเสริมในอนาคต การพัฒนางานวิจัยด้านศิลปะต่อไป