La connaissance approfondie des chaînes opératoires de production des premières productions céramiques d’Europe, associées aux contextes du Néolithique ancien, revêt une importance cruciale pour la compréhension des savoir-faire techniques des premiers agro-pasteurs du continent, de leurs trajectoires spatio-temporelles et de leurs interactions. Traditionnellement, l'identification et la classification de ces céramiques reposent essentiellement sur l’analyse visuelle des poteries. Ces dernières années, l’application de la micro-tomographie, qui offre une exceptionnelle lisibilité de la structure interne des céramiques, a ouvert de nouvelles perspectives pour dépasser la seule expertise empirique des technologues. L’exploitation des données issues de ces analyses reste néanmoins un véritable verrou en raison de la complexité inhérente des céramiques archéologiques définies par des profils minéralogiques, chimiques et poreux extrêmement hétérogènes. Cette thèse permettra de lever ce verrou via une approche novatrice utilisant l'Intelligence Artificielle pour exploiter les images issues des acquisitions micro-tomographiques et MEB de céramiques du Néolithique ancien d’Europe occidentale. Le premier objectif est de classifier ces céramiques en fonction de leur composition matérielle et des techniques employées pour leur fabrication. Pour ce faire, ce projet fera appel à l'apprentissage profond, une technique qui permettra de développer un modèle capable d'effectuer cette classification de manière rapide et fiable. Dans un second temps, la portée de ce premier modèle sera décuplée en créant un « jumeau numérique » des céramiques dans une perspective de rétro-ingénierie : cela signifie qu'il sera possible de simuler les séquences de gestes mises en œuvre pour produire les céramiques anciennes. Cette approche constitue une véritable rupture méthodologique pour la céramologie, permettant d’articuler les différentes échelles d’analyse (du micron au centimètre) dans une perspective inédite.
Plus d’informations :
[Site web CNRS]