Multifractal signatures of AI, animal, nature, cave, and human art

Technische Zusammenfassung: Multifraktale Signaturen von KI-, Tier-, Natur-, Höhlen- und menschlicher Kunst

Problemstellung
Die Studie adressiert den Mangel an systematischen, quantitativen Vergleichen über verschiedene Kategorien der Markterzeugung hinweg: künstlich erzeugte Bilder (KI), Tiergemälde, prähistorische Höhlenkunst, figurative menschliche Kunst, mathematische Fraktale und Naturfotografien. Während fraktale und multifraktale Analysen bereits auf spezifische Künstler (z. B. Pollock, van Gogh) und natürliche Landschaften angewendet wurden, fehlt ein einheitlicher Rahmen zum Vergleich dieser unterschiedlichen Quellen visueller Textur. Die Arbeit untersucht, ob multifraktale Parameter zwischen diesen Kategorien diskriminieren können, und erforscht das Ausmaß, in dem diese statistischen Signaturen als Korrelate für Intentionalität, Aufmerksamkeit und kognitive Prozesse dienen können, wobei sie explizit davor warnt, Textur als direkten Beweis für Bewusstsein zu überinterpretieren.

Methodik
Die Forschung nutzte einen Datensatz von 142 Bildern, die in sechs Gruppen unterteilt wurden: KI-generierte Kunst ($n=19$), Tiergemälde ($n=24$), prähistorische Höhlenzeichnungen ($n=35$), menschliche Gemälde eines einzelnen Künstlers, Nicolae Grigorescu ($n=16$), mathematische Fraktale ($n=23$) und Naturfotografien ($n=25$).

• Vorverarbeitung: Die Bilder wurden in Graustufen konvertiert, auf ein zentrales 1:1-Quadrat zugeschnitten, um eine isotrope Skalierung zu gewährleisten, und auf Pixelintensitätswerte zwischen 0 und 1 normalisiert.
• Multifraktale Analyse-Pipeline: Eine Python-basierte Pipeline implementierte einen Standard-Partitionsfunktionsansatz. Die Bilder wurden mittels einer Box-Counting-Methode auf die Magnitude der Intensitätsgradienten analysiert. Der Prozess umfasste:
  • Partitionierung der Bilder in nicht überlappende Boxen variierender Größen (8 logarithmisch gestaffelte Skalen).
  • Berechnung der Partitionsfunktion $Z(q,s)$ für Momentenordnungen $q \in [-10, 10]$.
  • Ableitung des Massenexponenten $\tau(q)$ via linearer Regression im Log-Log-Raum.
  • Berechnung verallgemeinerter fraktaler Dimensionen ($D_q$) und des Singularitätsspektrums mittels Legendre-Transformation.
• Parameter: Sechs Schlüsselparameter wurden extrahiert: Kapazitätsdimension ($D_0$), Informationsdimension ($D_1$), Korrelationsdimension ($D_2$), Spektrumbreite ($\Delta\alpha$), Singularitätsstärke ($\alpha_0$) und spektrale Asymmetrie ($A$).
• Statistische Analyse: Aufgrund häufiger Verletzungen der Normalverteilung (bewertet via Shapiro–Wilk-Tests) verwendete die Studie nicht-parametrische Statistiken. Globale Unterschiede wurden mittels Kruskal–Wallis–H-Tests getestet, gefolgt von paarweisen Mann–Whitney–U–Tests mit Bonferroni-Korrektur.

Zentrale Ergebnisse
Die Analyse ergab, dass, während verallgemeinerte Dimensionen ($D_0, D_1, D_2$) moderate Variationen über die Kategorien zeigten, höherwertige Deskriptoren – insbesondere Spektrumbreite ($\Delta\alpha$), Singularitätsstärke ($\alpha_0$) und Asymmetrie ($A$) – die primären Diskriminatoren darstellten.

1. KI-generierte Kunst: Wies die breitesten multifraktalen Spektren ($\Delta\alpha = 1,382$) aller Kategorien auf und übertraf damit signifikant sowohl Naturfotografien als auch menschliche Kunst (welche die engsten Spektren mit $\Delta\alpha = 0,613$ aufwiesen). KI-Bilder waren statistisch gutartigbar (meist Normalverteilungen), demonstrierten jedoch eine „hyper-multifraktale“ Heterogenität. Bemerkenswerterweise gruppierten sich KI-Bilder bei niedrigen Asymmetriewerten ($0,359$), während menschliche Bilder die höchste mittlere positive Asymmetrie ($1,814$) aller Kategorien zeigten.
2. Tiergemälde: Im Durchschnitt entsprach die tierische Markterzeugung in der Spektrumbreite der Naturfotografie ($\Delta\alpha \approx 1,1$). Es wurde jedoch eine signifikante individuelle Variation beobachtet. Ein Schimpanse (Congo) produzierte Bilder mit hoher Asymmetrie und feinen Details, während ein Elefant (Suda) symmetrische, rhythmische Texturen erzeugte. Die Kategorie zeigte eine gemischte Normalität, getrieben durch diese individuellen Unterschiede.
3. Höhlenkunst: Zeigte die höchste räumliche Uniformität (höchste $D_1$- und $D_2$-Werte) aller Kategorien und näherte sich theoretischen Maxima an. Die Kategorie war jedoch die heterogenste insgesamt und zeigte starke Nicht-Normalität in fünf von sechs Metriken. Dies deutet darauf hin, dass „Höhlenkunst“ kein monolithischer Stil ist, sondern signifikant variiert je nach Fundort, Substrat und Erhaltungsbedingungen.
4. Menschliche Gemälde (Grigorescu): Zeigten die engste Spektrumbreite ($\Delta\alpha = 0,613$) und die höchste mittlere positive Asymmetrie ($1,814$). Diese hohe Asymmetrie wurde maßgeblich durch ein einzelnes Ausreißer-Gemälde (Peasant Girl Resting) mit extremem Figur-Grund-Kontrast getrieben. Kein KI-generiertes Bild, Tiergemälde oder Fotografie in der Stichprobe erreichte diesen As asymmetry-Wert; der einzige vergleichbare Fall war ein Höhlenbild.
5. Mathematische Fraktale: Charakterisiert durch die höchste Kapazitätsdimension ($D_0$) und nahezu Null-Asymmetrie, konsistent mit ihrer deterministischen, formalen Konstruktion.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass die multifraktale Analyse eine quantitative Methode zur Unterscheidung von Textursignaturen aus biologischen, kulturellen und synthetischen Quellen bietet. Der primäre empirische Beitrag ist der Nachweis, dass Spektrumbreite, $\alpha_0$ und Asymmetrie effektivere Diskriminatoren sind als verallgemeinerte Dimensionen.

Bezüglich der Interpretation schlägt der Autor eine „arbeitende Ästhetik-Hypothese“ vor, bei der multifraktale Signaturen als Kandidaten-Korrelate – nicht als Beweis – für Intentionalität, kompositorische Organisation und motorische Kontrolle behandelt werden. Die Arbeit rahmt den Zusammenhang zwischen Texturstatistik und kognitiven Zuständen (z. B. Flow, Aufmerksamkeit, Bewusstsein) explizit als spekulativ und heuristisch ein. Sie führt ein „Spektrum-des-Bewusstseins“-Framework (Tabellen 7–9) ein, um testbare Hypothesen zu generieren, betont jedoch, dass diese Assoziationen nicht gegen unabhängige behaviorale, physiologische oder neuronale Marker validiert wurden.

Die Studie kommt zu dem Schluss, dass:

• KI-Texturen distinkte, breitere multifraktale Spektren als menschliche oder natürliche Quellen besitzen, obwohl sie mit Naturfotografien in Bezug auf niedrige Asymmetrie-Charakteristika in diesem Datensatz eine Gemeinsamkeit teilen, die sich von der hohen Asymmetrie menschlicher Kunst unterscheidet.
• Tierkunst nicht als uniforme Kategorie betrachtet werden kann; die individuelle Variation (z. B. zwischen Congo und Suda) ist substanziell.
• Prähistorische Höhlenkunst eine hohe räumliche Uniformität, aber eine signifikante ortsspezifische Heterogenität aufweist, was die Vorstellung eines einzelnen „paläolithischen Stils“ infrage stellt.
• Extremer Figur-Grund-Kontrast (hohe Asymmetrie) in der menschlichen Kunst in den Output des untersuchten Künstlers beobachtet wurde und in keiner anderen Kategorie innerhalb der Stichprobe auftrat, obwohl der Autor angibt, dass dies durch Texturstatistiken allein nicht als einzigartig menschliche kognitive Leistung festgestellt werden kann.

Der Autor mahnt an, dass Texturstatistiken allein das „Problem der fremden Geister“ nicht lösen oder einem nicht-menschlichen Schöpfer oder einem KI-System definitiv Bewusstseinszustände zuschreiben können. Die Studie dient als Ausgangspunkt für zukünftige Arbeiten, die multifraktale Analyse mit unabhängigen Maßen für Engagement und Kognition kombinieren.