Erklärbare, maschinelle Lern-basierte Klassifizierung traditioneller koreanischer Keramik mithilfe von XRF-Chemiezusammensetzungsdaten

Keramische Schätze treffen auf moderne Algorithmen

Jahrhunderte lang haben Expertinnen und Experten Koreas feinste Keramik — das zarte grünliche Celadon, das kräftig dekorierte Buncheong und das ruhige weiße Porzellan — anhand von Blick und Erfahrung klassifiziert. Was aber, wenn ein Fragment beschädigt, verfärbt oder nicht ganz dem lehrbuchmäßigen Erscheinungsbild entspricht? Diese Studie zeigt, wie modernes maschinelles Lernen die chemischen „Fingerabdrücke“ dieser Gefäße lesen kann, um sie objektiv zu sortieren und sogar zu erklären, welche Bestandteile jedem Stück seine charakteristische Schönheit verleihen.

Von Glasurfarben zu verborgenen Zutaten

Celadon, Buncheong und weißes Porzellan sind mehr als Museumsbezeichnungen; sie spiegeln Geschmacks- und Technologiewechsel von Koreas Goryeo- bis zur Joseon-Dynastie wider. Celadon ist berühmt für seine jadegrüne Glasur und filigrane Intarsien, Buncheong für lebhafte weißgefärbte Dekore auf dunklerem Körper und weißes Porzellan für seine reine, zurückhaltende Eleganz. Visuelle Zuordnungen stoßen jedoch an Grenzen: frühe oder experimentelle Stücke können anders aussehen, und Verwitterung oder Bruch verdecken entscheidende Merkmale. Die Autorinnen und Autoren wenden sich stattdessen der Röntgenfluoreszenzanalyse (XRF) zu, einer Technik, die zeigt, wie viel von jedem Hauptoxid — etwa Siliziumoxid, Aluminiumoxid, Eisen und Titan — im Keramikkörper enthalten ist. Da diese chemischen Rezepturen Rohstoffe und Brennbedingungen widerspiegeln, liefern sie eine stabilere Grundlage zur Bestimmung, welche Art von Gefäß ein Scherben einst war.

Computern das Erkennen alter Tone beibringen

Das Team stellte XRF-Daten für 624 Keramikproben aus früheren wissenschaftlichen Studien zusammen, wobei Celadon, Buncheong und weißes Porzellan gleichmäßig vertreten waren. Anschließend trainierten sie sechs verschiedene Modelle des maschinellen Lernens, um die drei Typen allein mithilfe von zehn gemessenen Oxiden zu erkennen. Einige Modelle, etwa Entscheidungsbäume und Random Forests, teilen die Daten anhand einfacher Regeln in Verzweigungen auf. Andere, wie Support-Vektor-Maschinen, ziehen flexibelere Grenzen in einem mathematischen Raum. Um zu vermeiden, dass die Modelle zu sehr an diesen speziellen Datensatz angepasst werden, reservierten die Forschenden einen Teil der Daten für Tests und prüften die Leistung außerdem an einer vollständig separaten Gruppe von 59 Proben aus unabhängiger Forschung.

Wie gut die Maschinen abgeschnitten haben

Zwei baumbasierte Methoden — Random Forest und Extreme Gradient Boosting — lagen vorn und klassifizierten etwa 96 % der Testproben korrekt. Eine Support-Vektor-Maschine lag nur knapp dahinter, während einfachere, starrere Verfahren zurückblieben. Ein genauerer Blick auf die Fehler zeigte ein aufschlussreiches Muster: Weißes Porzellan wurde fast immer richtig identifiziert, während Celadon und Buncheong häufig miteinander verwechselt wurden. Das spiegelt historische und technologische Zusammenhänge wider. Sowohl Celadon als auch Buncheong verwenden ähnliche Tone und hohe Brenntemperaturen, und frühes Buncheong übernahm oft Techniken aus dem Celadon, sodass sich ihre chemischen Signaturen natürlicherweise überschneiden. Weißes Porzellan, aus ungewöhnlich reinem Ton mit sehr wenig färbenden Stoffen gefertigt, steht in den Daten als deutlich getrenntes Cluster hervor.

Die Entscheidungen erklären: Warum Eisen und Titan wichtig sind

Leistungsfähige Modelle nützen Historikern wenig, wenn sie als Blackbox agieren. Um die Blackbox zu öffnen, nutzten die Forschenden SHAP, eine Methode, die jedem chemischen Bestandteil einen Wert zuweist, der angibt, wie stark er eine Probe zu einem bestimmten Keramiktyp hin oder von ihm weg „schiebt“. In den bestperformenden Modellen dominierten zwei Oxide die Erklärung: Eisenoxid (Fe2O3) und Titandioxid (TiO2). Diese sind bereits dafür bekannt, die Farbe gebrannter Keramik zu beeinflussen und je nach Menge und Ofenatmosphäre die Töne von gelblich bis bläulich-grün zu verschieben. Die Analyse mittels maschinellen Lernens bestätigte, dass niedrige Eisen- und Titangehalte stark für weißes Porzellan sprechen; mittlere Werte tendenziell auf Celadon hinweisen; und höhere Eisenwerte, gepaart mit moderatem Titan, charakteristisch sind für die dunkleren, erdigeren Körper des Buncheong. Andere Oxide, etwa phosphor- oder natriumhaltige Verbindungen, spielten unterstützende Rollen, um Celadon und Buncheong auseinanderzuhalten, wenn ihre Hauptfarbstoffe sich überschnitten.

Was das für das Lesen der Vergangenheit bedeutet

Im Kern zeigt die Studie, dass Computer traditionelle koreanische Keramik mit expertenähnlicher Genauigkeit sortieren können und gleichzeitig klar aufschlüsseln, welche Bestandteile am wichtigsten sind. Dieser Ansatz ersetzt nicht Kuratorinnen, Kuratoren und Archäologinnen und Archäologen, sondern bietet ihnen einen quantitativen Begleiter: eine Möglichkeit, visuelle Einschätzungen zu überprüfen, Grenzfälle zu klären und besser zu verstehen, wie subtile Veränderungen in Ton und Brennen die Entwicklung vom grünen Celadon über das kräftige Buncheong zum reinen weißen Porzellan mitbestimmten. Mit zunehmender Verfügbarkeit chemischer Daten aus verschiedenen Brennöfen und Perioden könnten solche erklärbaren maschinellen Lernwerkzeuge zu standardmäßigen Hilfsmitteln werden, um die technologischen Entscheidungen und kulturellen Werte zu rekonstruieren, die selbst in kleinsten Scherben verankert sind.

Zitation: Cho, Y.E., Sim, S., Choi, J. et al. Explainable machine learning-based classification of traditional Korean ceramics using XRF chemical composition data. npj Herit. Sci. 14, 28 (2026). https://doi.org/10.1038/s40494-026-02301-4

Schlüsselwörter: Koreanische Keramik, maschinelles Lernen, XRF-Analyse, kulturelles Erbe, Porzellanklassifikation