Dividi una tela in «Patch» e ti dirò chi, e quando, l’ha dipinta. Il Pairwise assignment training for classifying heterogeneity, così si scioglie l’acronimo, è un metodo di deep learning che valuta l’eterogeneità della pratica artistica nei dipinti; uno strumento di apprendimento automatico messo a punto per mappare le microstrutture superficiali delle tele, che fornisce nuovi dati sulle modalità con cui le opere sono state realizzate e da chi. A differenza di altri sistemi di Intelligenza Artificiale, Patch non attinge a informazioni di riferimento preliminari sulle opere del pittore principale o dei suoi assistenti, la cosiddetta «ground truth», ovvero le informazioni oggettive e verificate, come l’autore reale, il periodo storico, lo stile o la composizione chimica dei materiali dell’opera. Il metodo si basa invece sull’analisi delle caratteristiche microscopiche della superficie pittorica indipendentemente dai dati già esistenti.

Patch funziona scansionando la trama dell’opera con immagini 3D ad alta risoluzione, che consentono di confrontare l'impronta del pennello centimetro per centimetro. Rilevando somiglianze nei segni, il sistema deduce la paternità comune dei tratti: se ha difficoltà a distinguere tra le aree, ritiene probabile che siano opera dello stesso artista. Il metodo si articola in due fasi. La prima fase,  il cosiddetto «addestramento all’assegnazione a coppie», identifica coppie di dipinti o di regioni di un singolo dipinto che sono «uguali», ovvero create dallo stesso artista nelle stesse condizioni . La seconda fase, denominata «ricerca di comunità», crea classi a posteriori sulla base di questi abbinamenti.  Lo strumento si basa sull’Intelligenza artificiale (IA) e la fisica su scala pari allo spessore di un capello. Se ne sono serviti  13 ricercatori, provenienti dai dipartimenti di fisica e storia dell’arte, della Case Western Reserve University (Cwru) di Cleveland, in Ohio, che dopo aver addestrato il modello con 25 dipinti realizzati da nove studenti d'arte lo hanno applicato allo studio di due opere di Domenikos Theotokópoulos (1541-1614), El Greco: «Il Battesimo di Cristo», 1624, pala d’altare per l’Hospital Tavera di Toledo, in Spagna, a lungo ritenuto un’opera a più mani, tra cui quella del figlio Juan Manuel, completata dopo la morte del pittore cretese, e il «Cristo sulla Croce con un paesaggio», (1600-10) del Cleveland Museum of Art, la cui paternità esclusiva del maestro è invece generalmente condivisa.

I ricercatori guidati da Michael Hinczewski, professore associato di fisica presso il College of Arts and Sciences, hanno pubblicato sulla rivista «Science» i risultati ottenuti dalla scansione della superficie dei due dipinti: dettagliatissime mappe topografiche che hanno catturato anche i più minuscoli solchi e creste lasciati dalle pennellate. Il team interdisciplinare di ricercatori ha poi addestrato un sistema di IA ad analizzare le aree su scala centimetrica (da loro chiamate appunto «patch») rilevando modelli e relazioni sulla superficie che non sono visibili all’occhio umano. L’algoritmo, trattando ogni dipinto come una rete di piccoli tasselli interconnessi, è riuscito a determinare se i motivi superficiali indicassero la mano di un unico artista o di più collaboratori. In merito a «Il Battesimo di Cristo», in particolare, grazie alle immagini di grandi sezioni del dipinto acquisite grazie a  Lucida, un lettore ottico ad ampio raggio di proprietà della fondazione Factum di Madrid, il team ha fatto una scoperta significativa: si è a lungo creduto che l’opera fosse stata completata postuma dalla bottega del maestro, ma le prove emerse da questo studio hanno invece indicato una connessione sottostante tra aree del dipinto in precedenza attribuite ad artisti diversi. I risultati della ricerca inducono a pensare all’uso di un unico insieme di materiali, addirittura a una sola mano. Se confermata, hanno osservato i ricercatori, questa scoperta potrebbe ridefinire il modo in cui gli studiosi interpretano l’opera tarda di El Greco. 

Secondo Hinczewski la nuova tecnica del gruppo di lavoro interdisciplinare offre un metodo innovativo e basato sui dati per affrontare questioni di lunga data relative all’attribuzione e alla pratica artistica. «Era la prima volta che riuscivamo a rilevare la texture superficiale su questa scala e a utilizzarla per dire qualcosa di significativo su chi ha realizzato un dipinto, ha spiegato. Quando si possono analizzare dettagli fino alla larghezza di una singola setola del pennello, si inizia a scoprire una sorta di impronta digitale, che alla fine potrebbe aiutarci ad autenticare le opere e a capire meglio in che modo artisti come El Greco dipingessero davvero».

Hinczewski ha raccontato che il progetto è nato in modo del tutto inaspettato: da una conversazione tra due studenti della Case Western Reserve che all’epoca stavano insieme, uno studente di storia dell’arte e l’altra di fisica. Quel legame ha dato vita a una collaborazione che dura ormai da sette anni e che ha finito per riunire scienziati, storici dell’arte e partner del Cma, del Cleveland Institute of Art e della Factum Foundation di Madrid.

«Ecco che cosa succede quando la scienza incontra l’arte, sintetizza Andrew Van Horn, del Dipartimento di Antropologia della Purdue University, che ha lavorato alla ricerca come borsista post-dottorato sia in fisica che in storia dell’arte alla Cwru. L’applicazione di metodi computazionali a questioni concrete della storia dell’arte è stata fondamentale sia per creare un nuovo metodo di IA sia per fare una scoperta davvero interessante su El Greco. L’nterdisciplinarità sarà un motore chiave dell'innovazione in futuro, e l'impressionante team che abbiamo messo insieme alla Cwru insieme ad altre grandi scuole e istituzioni, ne è la prova».

Per il futuro, Hinczewski ha dichiarato di voler applicare la tecnica a collezioni più ampie, confrontando le «impronte digitali» superficiali di opere diverse per attribuire i dipinti con maggiore sicurezza, tracciare l’evoluzione dello stile di un artista nel tempo e persino risolvere dibattiti di lunga data su opere controverse. Man mano che il database si arricchisce, questo approccio potrebbe anche aiutare a individuare sottili incongruenze che indicano la presenza di imitazioni moderne, offrendo a musei e collezionisti un nuovo potente strumento per individuare i falsi.

«Questo è solo l’inizio, chiosa Hinczewski. Stiamo scoprendo che anche pochi millimetri di colore possono contenere una grande quantità di informazioni su come è stata realizzata un’opera. Man mano che questi strumenti si evolvono, potrebbero trasformare il modo in cui studiamo gli artisti nel corso del tempo e il modo in cui viene protetto il patrimonio culturale».