Du matériel à l’immatériel : identification des vestiges d’animaux en archéologie par l’imagerie 3D et les modèles d’apprentissage neuro-symbolique

CONTEXTE

L’érosion de la biodiversité, l’un des marqueurs majeurs du bouleversement du système Terre, nécessite une étude approfondie de la diversité animale sur le long terme, en mobilisant les données archéologiques dans le but d'identifier, de quantifier et de caractériser les espèces et variétés disparues ou adaptées à des milieux transformés par les activités humaines.
Pour cela, il est indispensable de disposer d’une identification fiable des espèces. Or, l’identification taxinomique des animaux morphologiquement proches en contexte archéologique constitue un enjeu majeur pour la discipline depuis des décennies. Si les approches biomoléculaires (ADN, paléoprotéomique) ont apporté des avancées décisives, elles ne permettent pas encore de lever toutes les incertitudes. Ces dernières années, si l’usage de la 3D s’est intensifié en archéozoologie, elle demeure toutefois très peu exploitée comme support d’étude en anatomie comparée pour l’identification des espèces. Or, l’utilisation d’images 3D non texturées permet de s’affranchir de certains biais liés à la couleur, à l’altération de la surface des os archéologiques, et d’accéder à une lecture plus fine de la morphologie. Des critères anatomiques nouveaux — non perceptibles à l’œil nu ou difficilement exploitables sur le matériel réel — commencent ainsi à émerger. Ces observations s’inscrivent dans les travaux menés par le groupe de recherche national « Anatomie comparée et Imagerie 3D », coordonné par la co-porteuse du projet (M. Vuillien) au sein de la Fédération de Recherche et d’Animation en Bioarchéologie. En parallèle, l’intégration de techniques computationnelles en archéozoologie est un phénomène relativement récent, porté par un nombre encore limité de publications depuis 2020. Leur développement se heurte notamment à la variabilité inter- et intra-individuelle des taxons anciens, souvent mal documentée, rendant la comparaison avec les référentiels actuels délicate. Dans ce contexte, l’utilisation d’algorithmes d’apprentissage supervisé — et plus particulièrement de modèles neuro-symboliques capables de combiner données géométriques et connaissances expertes — constitue une avancée majeure pour relever les défis de l’identification taxinomique et de l’étude de l’évolution morphologique des animaux du passé.
Le présent projet se situe ainsi à l’interface de plusieurs champs disciplinaires et ouvre la voie à un renouvellement méthodologique structurant pour la bioarchéologie dans son ensemble.

OBJECTIFS

L’objectif général du projet est de développer des solutions innovantes et transdisciplinaires pour améliorer l’identification des espèces animales morphologiquement proches dans les assemblages archéologiques. Cette étape clé, encore problématique pour plusieurs taxons malgré des décennies de recherche en archéozoologie, conditionne pourtant l’interprétation et la compréhension des interactions entre sociétés humaines et environnements passés. Pour répondre à cet enjeu, la proposition est d’élaborer un nouveau protocole analytique fondé sur l’intégration de l’imagerie 3D, du machine learning et de l’expertise archéozoologique. Ce protocole a vocation à être mis à disposition de la communauté nationale et internationale. Sa mise au point repose sur la collaboration étroite entre spécialistes en archéozoologie et chercheurs en intelligence artificielle, réunis au sein du CEPAM, afin de poser les premières bases d’un modèle d’apprentissage neuro-symbolique dédié à l’identification taxinomique en archéologie.

MÉTHODE

Le premier volet du projet s’appliquera sur 150 talus modélisés en 3D et appartenant à 5 taxons morphologiquement proches : le mouton, la chèvre, le bouquetin, le chevreuil et la gazelle. Les premières observations sur ces modèles montrent qu’il est nécessaire de redéfinir certains critères classiques de l’archéozoologie et d’en établir de nouveaux, propres aux modèles 3D. Ces critères formeront les futures features de référence pour les algorithmes d’apprentissage supervisé. Ainsi, le projet a pour ambition de réunir des spécialistes nationaux en archéozoologie et en machine learning afin de :

• Identifier et formaliser de nouveaux critères morphologiques observables sur les modèles 3D de talus des cinq taxons ciblés ;
• Tester et valider ces critères au moyen d’un protocole inter-observateurs mobilisant au moins dix archéozoologues de la communauté nationale, afin d’en évaluer la robustesse, la reproductibilité et la pertinence taxinomique ;
• Intégrer ces critères dans un modèle d’apprentissage neuro-symbolique, combinant l’expertise morphologique humaine avec des approches computationnelles pour améliorer l’identification automatisée des espèces.

RESPONSABLE DU PROJET

PARTENARIATS

Inria, Institut 3IA, CNRS, Muséum national d’Histoire naturelle, EVEHA

Publications

À venir

Conférences

Diffusion de la recherche

ANR et autres financements