机器学习为物理学提供了分析艺术的指标

一项国际研究合作报告称，对上一个千禧年产生的艺术作品进行系统化的人工智能分析，可以揭示有关历史进化艺术趋势的信息。此外，结果很好地映射了关于艺术史的风格和时期的规范概念。

艺术分析通常是比较性的，并且历史上由个体研究人员进行，这限制了研究的规模。单个学者一次比较少数几幅画是不切实际的。然而，近几十年来，大量的历史艺术品已被数字化并免费提供，从而实现了艺术分析的定量方法，这些方法以前是不可行的，如果不是不可能的话。

在由美国国家科学院院刊发表的新研究中，研究人员分析了由在线百科全书维基艺术主办的137,364件视觉艺术品(主要是绘画)的数据集。该网站包含超过2,000种艺术家的作品，超过100种风格。

每个文件都转换为矩阵表示。通过应用机器学习算法，研究人员分析了相邻像素之间的关系，并计算了两个复杂度量度：归一化置换熵H和统计复杂度 C.

H值量化图像的像素排列中的无序程度。例如，接近零的值表示常规图像，例如由极简主义画家产生的图像。接近1的值表示看起来不规则或更无序的像素，例如Jackson Pollock的滴水画。

统计复杂度C是工作结构复杂性的度量。在像素排列中呈现无序或有序的极端的绘画产生零，因为这样的工作具有低结构复杂性。当系统检测到更复杂的空间模式时，该值为正。

将这两种测量结合起来产生了复杂性 - 熵平面，作者指出这是一种已应用于许多其他领域的技术。这些措施不仅可以在一定的误差范围内预测绘画的风格和周期; 他们的分析揭示了1000年来艺术的清晰轨迹，其复杂性 - 熵平面的过渡与艺术文献中的规范时期相对应。

具体而言，研究人员可以清楚地看到与现代艺术之前和之后的时期相对应的熵和复杂性的明显变化，以及从现代艺术到后现代艺术的转变。他们在时间轴上描绘了这些转变，并报告说“不难想象从第二次世界大战结束后，从现代到后现代的过渡是由历史书​​中的后现代主义开始的事件所驱动的。”

研究人员指出，由于他们将分析局限于这两种复杂度量，因此不可能完全捕捉到可能在艺术中编码的信息丰富性。“然而，”他们写道，“然而，我们的结果表明，简单的物理启发指标可以与艺术史学家提出的概念联系起来，更重要的是，这些措施确实带有关于艺术品，风格和进化的相关信息。”