Une équipe de chimistes et de chercheurs en IA du CNR, Istituto di Scienze del Patrimonio Culturale, a développé un modèle d’IA capable de déterminer la composition chimique des peintures utilisées pour réaliser des peintures classiques.
Dans leur journal publié dans Avancées scientifiquesle groupe décrit comment ils ont développé leur modèle d’IA et l’ont formé à l’aide d’ensembles de données contenant des informations sur 500 000 spectres synthétiques, représentant 57 pigments et composés associés.
Entretenir et/ou restaurer des peintures anciennes, notamment celles de grande valeur, relève à la fois de l’art et de la science. Les spécialistes ont une formation dans de nombreux domaines, allant de la chimie à la botanique et à l’histoire. En raison de la grande valeur de ces œuvres d’art, de nouvelles techniques sont recherchées pour mieux comprendre la nature d’une peinture donnée avant qu’un effort de restauration ne soit entrepris.
Un domaine d’intérêt majeur est la composition chimique des peintures utilisées par l’artiste. Si les mauvais produits chimiques sont appliqués, des réactions peuvent se produire, entraînant une dégradation de la peinture, voire ruinant un chef-d’œuvre ancien. Dans ce nouvel effort, l’équipe de recherche a mis à l’épreuve l’intelligence artificielle.
Pour mieux comprendre les produits chimiques qui composent une peinture donnée, les experts utilisent la fluorescence des rayons X : l’imagerie aux rayons X est réalisée de manière non invasive et donne des compositions élémentaires détaillées associées à la peinture utilisée sur une peinture donnée. . Malheureusement, le fait que les artistes mélangent les pigments pour obtenir la couleur souhaitée rend plus difficile l’identification des peintures individuelles.
Tenter de déterminer les produits chimiques contenus dans de tels mélanges implique souvent des suppositions éclairées, ce qui conduit à des erreurs. Pour réduire ces erreurs, les chercheurs ont développé un modèle d’IA capable de recevoir des ensembles de données de macrofluorescence X (MA-XRF), de les analyser, puis d’imprimer les produits chimiques présents dans toutes les huiles utilisées pour créer une peinture donnée. Le modèle a été formé à l’aide d’un ensemble de données contenant des informations sur 500 000 spectres synthétiques.
Une fois le modèle terminé et les premiers tests effectués, l’équipe de recherche lui a soumis un test plus réaliste en lui demandant d’identifier les produits chimiques présents dans les huiles utilisées pour créer deux peintures réalisées par l’artiste Raphaël entre 1501 et 1502.
Les deux ont été largement étudiés et testés à l’aide d’autres méthodes, ce qui signifie que leurs composants chimiques ont été préalablement identifiés. L’équipe de recherche a découvert que le modèle était capable d’identifier correctement les produits chimiques, notamment le plomb dans la peinture blanche, le mercure dans la peinture rouge et le cuivre dans la peinture verte.
Plus d’informations :
Zdenek Preisler et al, Apprentissage profond pour une analyse spectrale améliorée des ensembles de données MA-XRF de peintures, Avancées scientifiques (2024). DOI : 10.1126/sciadv.adp6234
© 2024 Réseau Science X