Maskinlæring leser 235 000 steiner for å kartlegge hvordan en antikk by vokste

Image: "Shivta 101025 Stable House 03" by Oren Rozen (CC BY-SA 4.0) via Wikimedia Commons, recoloured.

Kan maskinlæring gjøre spredte steinrester om til evidens for hvordan en bosetning vokste? Uziel, Avni, Feinman, Bar-Oz og Jaffe (PNAS, 2026) digitaliserte automatisk rundt 235 000 overflatesteiner i den senantikke bosetningen Shivta og fant murmønstre som avdekker en tidligere ukjent eldre grense og en utvidelse utover fra en sørlig kjerne.

Byggesteinen som analyseenhet

Arkeologer har lenge betraktet bygninger som kilder til hvordan samfunn organiserte rom og investerte arbeid. Det er imidlertid vanskelig å måle denne kilden systematisk: eksisterende metoder er ofte arbeidskrevende, konsentrerer seg om enkeltstående bygninger eller bygger på grove volumanslag. I en ny artikkel i PNAS foreslår Erel Uziel, Gideon Avni, Gary M. Feinman, Guy Bar-Oz og Yitzchak Y. Jaffe et annet utgangspunkt. I stedet for bygningen gjør de den enkelte steinen til analyseenhet.

Maskinlæringsrammeverket deres kombinerer to datakilder. Droneopptak fra lav høyde fanger opp overflaterester over hele området, mens nærbilder dokumenterer stående murer. Forfatterne anvendte metoden på Shivta, en senantikk bosetning i Negev-ørkenen, og brukte den til å kvantifisere steinenes størrelse, formregularitet og plassering. Fordi hver stein måles, kan resultatene aggregeres på flere nivåer: murer, husholdninger, insulae (bykvartaler) og bosetningen som helhet.

Ifølge Uziel, Avni, Feinman, Bar-Oz og Jaffe (PNAS, 2026) digitaliserte metoden automatisk omtrent 235 000 overflatesteiner, i tillegg til rundt 12 000 steiner i 604 stående murer. Høyere murverkskårer samlet seg rundt kirker og langs deler av bosetningens grense. Enda mer slående var det at den romlige fordelingen av variasjon i murverket pekte mot en eldre grense som ikke var identifisert tidligere, sammen med evidens for at byen vokste utover fra en sørlig kjerne.

Da forfatterne kombinerte disse mønstrene med arkitektonisk sekvensering, tegnet det seg et kronologisk bilde: byggherrene brukte større og mer regelmessig formede steiner i Shivtas viktigste vekstfase. Studien knytter dermed et finmasket fysisk mål til en historisk prosess, bosetningsekspansjon, som vanligvis utledes fra langt grovere evidens.

Evidensen kommer fra ett enkelt sted, og sammendraget fremstiller de bredere påstandene som et potensial: forfatterne beskriver rammeverket som fleksibelt og robust og argumenterer for at det kan anvendes i andre steinbygde kontekster og støtte sammenligninger på tvers av steder, uten å rapportere slike sammenligninger. Tilnærmingen utfyller også, og erstatter ikke, eksisterende metoder som arkitektonisk energetikk, som anslår arbeidsinnsatsen bak byggingen.

Hvorfor det betyr noe: For samfunnsvitere er dette et tydelig eksempel på maskinlæring som måleinstrument. Metoden gjør en stor mengde ustrukturert visuelt materiale om til et datasett på nivå med den minste meningsfulle enheten, og aggregerer deretter oppover for å besvare spørsmål om organisering og endring. Den samme logikken gjelder langt utenfor arkeologien: forskere som arbeider med bilder av gatebilder, butikkfasader, dokumenter eller produkter, kan spørre hva som tilsvarer den enkelte steinen i deres materiale, og om måling av den i stor skala kan avdekke mønstre som koding sak for sak overser.

Uziel, E., Avni, G., Feinman, G. M., Bar-Oz, G., & Jaffe, Y. Y. (2026). Quantifying ancient architecture: Stone-level machine learning reveals architectural variation and settlement growth at Shivta. *Proceedings of the National Academy of Sciences*, 123(44). https://doi.org/10.1073/pnas.2628851123. Uavhengig redaksjonell oppsummering av tredjepartsforskning.