機器學習為物理學提供了分析藝術的指標

一項國際研究合作報告稱，對上一個千禧年產生的藝術作品進行系統(tǒng)化的人工智能分析，可以揭示有關歷史進化藝術趨勢的信息。此外，結果很好地映射了關于藝術史的風格和時期的規(guī)范概念。

藝術分析通常是比較性的，并且歷史上由個體研究人員進行，這限制了研究的規(guī)模。單個學者一次比較少數(shù)幾幅畫是不切實際的。然而，近幾十年來，大量的歷史藝術品已被數(shù)字化并免費提供，從而實現(xiàn)了藝術分析的定量方法，這些方法以前是不可行的，如果不是不可能的話。

在由美國國家科學院院刊發(fā)表的新研究中，研究人員分析了由在線百科全書維基藝術主辦的137,364件視覺藝術品(主要是繪畫)的數(shù)據(jù)集。該網(wǎng)站包含超過2,000種藝術家的作品，超過100種風格。

每個文件都轉換為矩陣表示。通過應用機器學習算法，研究人員分析了相鄰像素之間的關系，并計算了兩個復雜度量度：歸一化置換熵H和統(tǒng)計復雜度 C.

H值量化圖像的像素排列中的無序程度。例如，接近零的值表示常規(guī)圖像，例如由極簡主義畫家產生的圖像。接近1的值表示看起來不規(guī)則或更無序的像素，例如Jackson Pollock的滴水畫。

統(tǒng)計復雜度C是工作結構復雜性的度量。在像素排列中呈現(xiàn)無序或有序的極端的繪畫產生零，因為這樣的工作具有低結構復雜性。當系統(tǒng)檢測到更復雜的空間模式時，該值為正。

將這兩種測量結合起來產生了復雜性 - 熵平面，作者指出這是一種已應用于許多其他領域的技術。這些措施不僅可以在一定的誤差范圍內預測繪畫的風格和周期; 他們的分析揭示了1000年來藝術的清晰軌跡，其復雜性 - 熵平面的過渡與藝術文獻中的規(guī)范時期相對應。

具體而言，研究人員可以清楚地看到與現(xiàn)代藝術之前和之后的時期相對應的熵和復雜性的明顯變化，以及從現(xiàn)代藝術到后現(xiàn)代藝術的轉變。他們在時間軸上描繪了這些轉變，并報告說“不難想象從第二次世界大戰(zhàn)結束后，從現(xiàn)代到后現(xiàn)代的過渡是由歷史書??中的后現(xiàn)代主義開始的事件所驅動的。”

研究人員指出，由于他們將分析局限于這兩種復雜度量，因此不可能完全捕捉到可能在藝術中編碼的信息豐富性。“然而，”他們寫道，“然而，我們的結果表明，簡單的物理啟發(fā)指標可以與藝術史學家提出的概念聯(lián)系起來，更重要的是，這些措施確實帶有關于藝術品，風格和進化的相關信息。”