Schicht für Schicht gescannt, Zeile für Zeile gelesen
Im Jahr 79 n. Chr. begrub ein Ausbruch des Vesuvs die Stadt Herculaneum unter Vulkanasche. Eine private Bibliothek in der Stadt – später „Villa dei Papiri” genannt – beherbergte Hunderte von philosophischen und literarischen Werken. Heiße Gase karbonisierten diese Schriftrollen augenblicklich: Sie wurden in eine extrem fragile, fast reine Kohlenstoffstruktur verwandelt. Zweitausend Jahre lang schuf dieser karbonisierte Zustand ein grausames Paradox: Die Rollen waren erhalten geblieben, doch sie zerfielen bei der geringsten Berührung.
Sie zu lesen bedeutete, sie zu zerstören.
Am 25. Juni 2026 verkündete das Vesuvius-Challenge-Team: Die Rolle mit der Katalognummer PHerc. 1667 – intern Scroll 4 genannt – wurde vollständig „virtuell entfaltet” und durchgelesen. Zum ersten Mal in der Menschheitsgeschichte wurde der Inhalt einer karbonisierten Schriftrolle gelesen, ohne sie physisch zu berühren.
Als ich diese Nachricht las, war meine erste Reaktion Skepsis: Kohlebasierte Tinte auf karbonisiertem Papyrus – Röntgenstrahlen können kaum Dichteunterschiede auflösen. Wie soll das möglich sein?
Der Kern des Problems: Kohlenstoff auf Kohlenstoff finden
Um dieses Projekt zu verstehen, muss man sich zunächst die zentrale technische Schwierigkeit klarmachen.
Konventionelle Röntgen-CT-Bildgebung beruht auf Dichte- oder Zusammensetzungsunterschieden zwischen Materialien, um Kontrast zu erzeugen. Metalltinte auf Pergament – mit hohem Bleigehalt leuchtet die Tinte im CT-Bild hell weiß. Doch die Herculaneum-Rollen verwendeten kohlebasierte Tinte – Ruß oder Holzkohlepulver, angemischt mit einem Bindemittel – und der Trägerpapyrus wurde durch die vulkanische Hitze ebenfalls zu einer nahezu reinen Kohlenstoffstruktur karbonisiert. Zwischen beiden gibt es keinen bedeutsamen Unterschied im Röntgen-Schwächungskoeffizienten. Anders gesagt: Der CT-Scan liefert eine gleichförmige graue Spirale, in der das bloße Auge keine Schrift erkennen kann.
Genau aus diesem Grund betrachtete die akademische Welt diese Rollen lange als „unlesbar”. Das Forschungsteam schrieb auf der begleitenden Projektwebseite: „To read one was to destroy it.” Die physischen Entfaltungsversuche des 19. Jahrhunderts sowie von 1969 und den 1980er Jahren zerstörten tatsächlich die äußeren Schichten von PHerc. 1667 – von ursprünglich 19–24 cm Höhe blieb nur ein etwa 8 cm hoher Kern übrig.
Wie es funktioniert: Vom Synchrotron zum maschinellen Lernen
Der gesamte Technologie-Stack lässt sich in vier Schritte unterteilen. Keiner davon ist für sich genommen völlig neu, aber sie zu einer funktionierenden Ingenieur-Pipeline zusammenzufügen, ist der eigentliche Beitrag dieser Arbeit.
Schritt 1: Hochqualitative Datenerfassung. Die Scans wurden an der Beamline BM18 der European Synchrotron Radiation Facility (ESRF) in Grenoble, Frankreich, durchgeführt, ergänzt durch Messzeit an der britischen Diamond Light Source. BM18 nutzt die kürzlich aufgerüstete „Extremely Brilliant Source” der ESRF, die einen Röntgenstrahl mit außergewöhnlich hoher räumlicher Auflösung und Stabilität liefert. Dies ist kein gewöhnliches CT – die Phasenkontrast-Mikrotomografie kann mikroskopische Strukturgrenzen sichtbar machen, die der konventionellen Absorptionsbildgebung verborgen bleiben. Eine einzelne Rolle erzeugte ein Datenvolumen von 300 TB. Die ESRF bezeichnete dies offiziell als den größten Datensatz, der jemals an dieser Einrichtung produziert wurde.
Was bedeutet das? 300 TB sind nicht einfach nur „viel”. Es bedeutet, dass bei einer etwa 1,4 Meter langen, eng gewickelten Papyrusrolle die Scanauflösung ausreicht, um jede einzelne, papierdünne Schicht der Spiralstruktur zu unterscheiden. Ohne diese Auflösung wären alle weiteren Schritte unmöglich.
Schritt 2: Geometrische Rekonstruktion und virtuelles Entfalten. Aus den 3D-Volumendaten wird der spiralförmige Verlauf der Papyrusschichten verfolgt und auf eine flache 2D-Oberfläche abgebildet. Dieser Prozess – „virtual unwrapping” genannt – wurde über zwei Jahrzehnte hinweg von Brent Seales’ EduceLab an der University of Kentucky schrittweise entwickelt. Die Papyrusschichtgrenzen aus CT-Daten zu identifizieren, erfordert enorme Mengen manueller Annotation – ein Teammitglied räumte im HN-Kommentarbereich ein, dass diese Arbeit „extremely tedious and slow and error prone” sei. Was ich hier sehe, ist der wirklich „menschenfressende” Teil der Prozessentwicklung: Die Qualität der manuellen Annotation bestimmt direkt die Genauigkeit der entfalteten Oberfläche. Das ist kein Algorithmus-Problem, sondern ein Annotationskapazitätsproblem.
Schritt 3: Tintenerkennung. Dies ist das fragilste und zugleich faszinierendste Glied der gesamten Pipeline. Die entfaltete 2D-Oberfläche erscheint dem bloßen Auge weiterhin nahezu leer – zwischen kohlebasierter Tinte und karbonisiertem Substrat besteht kein wahrnehmbarer Kontrast. Doch der Schreibvorgang hinterlässt mikrometergroße Veränderungen der Oberflächentopografie: Der Stift drückt Fasern zusammen, die Tinte dringt in Poren ein, nach dem Trocknen entsteht eine Textur, die sich von der umgebenden Fläche unterscheidet. Diese Texturunterschiede existieren in den Phasenkontrastdaten als extrem schwache Signale – für das menschliche Auge nicht erkennbar, aber für ein gut trainiertes ML-Modell sehr wohl.
Das Team erklärte auf HN: „Most of the ink we have come across is carbon based. This leaves a certain texture on the scrolls that is recoverable and viewable with fairly basic physically based rendering.” Aber das ist nicht gleichbedeutend mit „direkt sehen”. Das Modell lernt aus annotierten Daten – bekannte Fragmente, bei denen die Tintenposition mit sichtbarem Licht/Nahinfrarot bestätigt werden kann, dienen als Ground Truth. Das Modell lernt die Signalmuster an diesen Positionen in den CT-Daten und extrapoliert dann auf das Innere der verschlossenen Rollen, wo keine andere Methode verifizieren kann.
Schritt 4: Transkription und Verifikation durch Papyrologen. Die vom ML-Modell ausgegebene Tintenwahrscheinlichkeitskarte ist nicht gleichbedeutend mit lesbarem Text. Die finale Transkription wird von professionellen Papyrologen durchgeführt – sie nutzen die vom Modell angezeigten Schriftpositionen und kombinieren sie mit Kenntnissen der altgriechischen Grammatik, Schreibgewohnheiten und Paläografie, um die wahrscheinlichsten Zeichen zu bestimmen.
Was gelesen wurde
Vom erhaltenen Teil der Rolle PHerc. 1667 wurden etwa 22 Kolumnen griechischen Textes ausgelesen, der Inhalt ist eine ethisch-philosophische Abhandlung. Der Text diskutiert zentrale Konzepte der Stoa wie „hormē” (Impuls) und „phronēsis” (praktische Weisheit). Die letzte Kolumne erwähnt „Aristokreon” (Aristocreon) – den Neffen und Schüler des stoischen Meisters Chrysippos. Aufgrund des Sprachstils und der Thematik wird der Text von Gelehrten als stoisches Werk aus dem 2. Jahrhundert v. Chr. eingestuft.
Die ESRF-Berichterstattung weist darauf hin, dass die Papyrologin Federica Nicolardi dies für eine der ältesten Rollen der Herculaneum-Sammlung hält – möglicherweise aus dem 2. oder sogar späten 3. Jahrhundert v. Chr.
Parallel dazu macht das Team auch bei zwei weiteren Rollen Fortschritte. Bei PHerc. Paris 4 (Scroll 1) machte die höher aufgelöste Scan-Auflösung die Tinte direkt in den 3D-Volumendaten sichtbar; die Segmentierungsergebnisse korrespondieren eins zu eins mit den Leseergebnissen des Vesuvius-Challenge-Hauptpreises von 2023 – eine unabhängige Validierung. Bei PHerc. 139 wurde der Titel identifiziert: Philodemus, Über die Götter, Buch 8 – ein Werk des epikureischen Philosophen. Damit ist erstmals bestätigt, dass Über die Götter mindestens acht Bücher umfasste.
Drei Rollen parallel voranzutreiben, statt eines isolierten Durchbruchs – das ist überzeugender als die Lesbarkeit einer einzelnen Rolle.
Was in der Blackbox steckt: Die Zweifel aus dem HN-Kommentarbereich
Die Frage, die mich am meisten beschäftigt: Hat das ML-Modell die Tinte tatsächlich „gesehen” oder hat es sie „erraten”?
Im HN-Diskussionsfaden fand ein bemerkenswert ehrlicher Austausch statt. Ein früherer Wettbewerbsteilnehmer fragte: „Könnte das Modell auf Zeichenebene halluzinieren, sogar Schriftzeichen erfinden?”
Ein Mitglied, das seine Zugehörigkeit zum Vesuvius-Team bestätigte, antwortete (im Originalwortlaut):
“Yes, it’s quite possible for ML to hallucinate ink, though it is on a much more local scale, like predicting a slightly longer stroke, filling in more of a character than is actually in the data, etc. Perhaps enough to change a reading of a character or show where ink isn’t.”
Das bedeutet: Ja, ML kann Tintenhalluzinationen erzeugen, aber auf lokaler Ebene – etwa einen Strich etwas verlängern, ein Zeichen stärker ausfüllen, als die Daten tatsächlich hergeben. Solche Abweichungen können ausreichen, um die Lesart eines Zeichens zu verändern oder ein Tintensignal anzuzeigen, wo keines ist.
Er fügte eine entscheidende Einschränkung hinzu: „It is difficult for ink detection to hallucinate grammatical and idiomatic Greek and Latin.” – Ein Tintenerkennungsmodell kann keine grammatikalisch korrekten und idiomatisch einwandfreien altgriechischen oder lateinischen Passagen aus der Luft erfinden.
Dies ist eine der ehrlichsten technischen Selbsteinschätzungen, die ich je gesehen habe. Sie offenbart zwei Ebenen: Erstens, das Modell erfindet keine ganzen Textpassagen – das „Gesamtbild” des Rolleninhalts verfügt über ausreichende Zuverlässigkeit. Zweitens, auf der Ebene einzelner Zeichen besteht reale Unsicherheit. Um es mit dem prägnanten Kommentar des HN-Nutzers „167” zu sagen: „Bottom of the paper, in the appendix. Don’t expect much. They only got fragments of text with a lot of missing words.”
Auch die Herkunft der Ground Truth verdient eine kritische Nachfrage. Dasselbe Teammitglied erklärte, dass die Trainingsdaten aus manueller Annotation stammen – Annotatoren markieren Schicht für Schicht manuell die Papyrusgrenzen und Tintenpositionen. Er schrieb: „Gathering ground truth is hard, and if you don’t have a lot of good ground truth, it doesn’t matter if your code is perfect, you’ll never get results.” Will heißen: Die Qualitätsobergrenze der Ground Truth bestimmt die Leistungsobergrenze des gesamten Systems.
Dies ist im Bereich des Kulturerbes besonders kritisch. Anders als ImageNet mit Millionen manuell annotierter Beispiele ist der Umfang der annotierten Daten für karbonisierte Rollen durch die begrenzte Anzahl bekannter Fragmente und die extrem hohen Kosten manueller Annotation beschränkt. Was das Modell gelernt hat und was es verpasst hat – auf diese beiden Fragen gibt es derzeit keine quantitative Antwort.
Ingenieurtechnisches Urteil, kein Fazit
Ich versuche, eine nüchterne Bewertung dieses Projekts vorzunehmen – keine Parteinahme, nur Fakten plus Einschätzung.
Auf der Habenseite: Dies ist die erste vollständig nicht-invasive Lesung einer karbonisierten antiken Schriftrolle. Datentypen, Code und Transkriptionsergebnisse sind vollständig öffentlich. Die Validierungsmethoden umfassen einen Eins-zu-eins-Abgleich mit unabhängigen Scandaten (PHerc. Paris 4) sowie eine rollenübergreifend reproduzierbare Pipeline. Von den über 600 ungeöffneten Herculaneum-Rollen ist PHerc. 1667 nur die erste – aber die Pipeline hat bewiesen, dass sie funktioniert.
Auf der Sollseite: Die kohlebasierte Tintenerkennung stützt sich prinzipiell auf Textur- und nicht auf Dichtesignale – Textursignale aber sind schwach, lokal begrenzt und rauschanfällig. Das Modell gibt eine Wahrscheinlichkeitskarte aus. Die finale Transkription der Papyrologen enthält selbst inferenzielle Anteile – insbesondere bei der Beurteilung von Strichverlängerungen und fehlenden Strichen kann die Modellverzerrung die Lesart einzelner Zeichen beeinflussen.
Ich fasse diesen Zustand wie folgt zusammen: Die Lesung auf Rollenebene ist zuverlässig, aber auf Zeichenebene besteht begründeter Raum für Zweifel. Dies ist keine Abwertung der Arbeit. Im Gegenteil: Gerade weil sie Daten und Code vollständig offengelegt haben, kann dieser Zweifel konkretisiert und überprüfbar gemacht werden.
Wenn sich diese Methode verbreiten ließe
Zurück zur ingenieurtechnischen Perspektive. Die 300-TB-Scandaten und die nachgelagerte Entfaltungs-, Erkennungs- und Transkriptions-Pipeline laufen derzeit auf weltweit führenden Synchrotron-Einrichtungen. Aber BM18 hat nur eine einzige Beamline. Für die über 600 noch ungeöffneten Herculaneum-Rollen ist die entscheidende Ressource bei einer Wiederholung dieses Prozesses Strahlzeit und Annotationspersonal (die Scans selbst sind kostenlos und werden über wissenschaftliche Anträge vergeben).
In der HN-Diskussion wurde auch gefragt, ob die Technik auf andere Szenarien übertragbar sei. Das Team antwortete zurückhaltend, aber die Richtung ist klar: Jeder fragile Text, der so stark karbonisiert, gefaltet oder deformiert ist, dass er sich nicht physisch entfalten lässt, könnte theoretisch von dieser Pipeline profitieren. Mittelalterliche Pergament-Palimpseste, durch Brände verkohlte Archivdokumente, sogar noch ältere karbonisierte Holztäfelchen – das sind natürliche Erweiterungsszenarien.
Voraussetzung: Man braucht Scans mit ausreichender Auflösung und Datenmenge sowie eine Gruppe von Menschen, die bereit sind, Pixel für Pixel Ground Truth zu annotieren.
Die obige Analyse basiert auf aktuell verfügbaren öffentlichen Informationen und Community-Diskussionen. Technische Details richten sich nach dem vom Vesuvius-Challenge-Team veröffentlichten Preprint sowie den öffentlichen Antworten von Teammitgliedern im HN-Diskussionsfaden.