Klassifizierung des chinesischen Glas-Erbes anhand von Zusammensetzungsdaten und maschinellem Lernen

Warum altes Glas noch neue Geschichten erzählt

Antike chinesische Glasperlen und -gefäße mögen auf den ersten Blick Schätzen aus Ägypten oder dem Nahen Osten ähneln, doch chemisch sind sie oft deutlich verschieden. Über Jahrhunderte verändern Begräbnis im Boden und Feuchtigkeit ihre Oberflächen zusätzlich, wodurch es für Restauratoren schwer wird, Herkunft oder Herstellungsweise zu bestimmen. Diese Studie zeigt, wie moderne Statistik und maschinelles Lernen die verborgenen chemischen „Fingerabdrücke“ verwitterten Glases lesen können und Museen so eine schnellere und objektivere Methode zur Klassifizierung von Artefakten und zur Rückverfolgung technologischer Geschichte entlang der Seidenstraße bieten.

Glas entlang der Seidenstraße

Frühe Glasgegenstände gelangten über die Seidenstraße nach China, vor allem in Form importierter Perlen. Handwerker lernten später, Glas lokal mit eigenen Rohstoffen herzustellen. Dadurch konnte chinesisches Glas fremde Stile in Farbe und Dekor nachahmen, verfügte aber über eine eigenständige Rezeptur. Es bildeten sich zwei grobe Typen heraus: kaliumreiches Glas, hergestellt mit pflanzlicher Asche, die reich an Kalium ist, und Blei‑Barium‑Glas, produziert mit Erzen, die Blei und Barium enthalten. Diese Unterschiede sind wichtig, weil sie Veränderungen bei Rohstoffen, Handel und Technologie widerspiegeln. Trotzdem verwischen Jahrhunderte der Verwitterung diese Signale, sodass Experten traditionell auf das schauen, was sie unter dem Mikroskop sehen – Farbe, Muster und Ausmaß der Oberflächendegradation – kombiniert mit persönlicher Erfahrung, eine zeitaufwändige und subjektive Praxis.

Glasrezepte in nutzbare Daten verwandeln

Die Autorinnen und Autoren starteten mit einem realen Wettbewerbsdatensatz antiken chinesischen Glases, der für jedes Objekt Typ, Farbe, dekoratives Motiv, Grad der Verwitterung und detaillierte chemische Zusammensetzung enthielt. Da Glaschemie naturgemäß in Prozenten gemessen wird, die sich zu einem Ganzen summieren, wandte das Team eine mathematische Transformation an, die sogenannte zentrierte Log‑Ratio‑Transformation. Diese wandelt die Oxid‑Prozentanteile in Zahlen um, die sicher analysiert werden können, ohne irreführende Korrelationen zu erzeugen. Sie bereinigten die Daten, füllten einige fehlende Werte kontrolliert auf und überprüften, dass die transformierten Messwerte sich statistisch wie normalverteilte Daten verhielten – eine wesentliche Voraussetzung für viele moderne Analysetools.

Wie Verwitterung Glas umgestaltet

Als Nächstes fragten die Forschenden, welche sichtbaren Merkmale wirklich mit Verwitterung zusammenhängen. Mithilfe von Chi‑Quadrat‑ und Fishers‑Exact‑Tests an 56 Artefakten fanden sie einen klaren Zusammenhang zwischen Glastyp und Grad der Oberflächendegradation, jedoch keine sinnvolle Verbindung zu Farbe oder dekorativem Motiv. Kaliumreiches und Blei‑Barium‑Glas altern unterschiedlich wegen ihrer verschiedenen inneren Strukturen, nicht wegen ihres Aussehens. Durch den Vergleich chemischer Messungen vor und nach der Verwitterung an unterschiedlichen Teilen derselben Stücke und durch Gruppierung vieler Proben in fünf Kategorien (etwa „Blei‑Barium vor Verwitterung“ oder „starke Verwitterung Blei‑Barium“) zeigten sie, dass Schlüsselkomponenten wie Siliziumdioxid und bestimmte Metalloxide sich beim Verfall systematisch verschieben. Aus diesen Gruppenunterschieden konstruierten sie einfache, auf Verhältnissen basierende Korrekturfaktoren, die die geschätzte ursprüngliche Zusammensetzung eines Glases aus seiner veränderten Oberfläche berechnen können – zumindest für viele der Hauptbestandteile.

Algorithmen das Erkennen von Glasfamilien beibringen

Mit korrigierten Zusammensetzungen trainierte das Team mehrere Modelle des maschinellen Lernens – Entscheidungsbäume, logistische Regression, Support‑Vector‑Machines und Random Forests –, um Proben in die beiden Hauptfamilien, kaliumreiches und Blei‑Barium‑Glas, einzuteilen. Bemerkenswert war, dass ein einziger Bestandteil, Bleioxid (PbO), für einen Entscheidungsbaum ausreichte, um die beiden Typen in ihrem Datensatz perfekt zu trennen: wenig Blei bedeutete kaliumreiches Glas, viel Blei bedeutete Blei‑Barium‑Glas. Andere Modelle erreichten ähnlich hohe Leistung und blieben zuverlässig, selbst wenn die Forschenden künstliches „Rauschen“ hinzufügten, um Messunsicherheit zu simulieren. Sie gingen noch einen Schritt weiter und nutzten Clusterverfahren, um natürliche Untergruppen innerhalb jeder Hauptfamilie zu entdecken. Kaliumreiches Glas teilte sich in zwei Subtypen – einen mit mehr Kalzium und Kupfer, einen anderen mit mehr Barium und Blei –, während Blei‑Barium‑Glas in drei Muster zerfiel, die unterschiedliche Hilfsbestandteile wie Magnesium, Natrium oder Kupfer und Barium betonten. Diese feingliedrigen Gruppen deuten auf unterschiedliche Rezepturen und Werkstätten hin.

Was das für Museen und Geschichte bedeutet

Für Nicht‑Spezialisten ist die Kernbotschaft, dass antikes Glas jetzt weniger nach Augenmaß und mehr datenbasiert klassifiziert werden kann. Durch die Kombination sorgfältiger chemischer Messung, geeigneter statistischer Behandlung von Prozentdaten und robuster Methoden des maschinellen Lernens bietet diese Studie Restauratoren und Archäologen eine wiederholbare Methode, verwitterte Glasobjekte zu identifizieren und mit bestimmten Handwerkstraditionen zu verknüpfen. Langfristig kann die Anwendung solcher Methoden auf größere Sammlungen helfen, Handelsrouten zu kartieren, Produktionszentren zu lokalisieren und nachzuzeichnen, wie chinesische Glashersteller mit neuen Flussmitteln wie Blei und pflanzlicher Asche experimentierten. Kurz gesagt: Algorithmen, trainiert an Chemie, werden zu mächtigen neuen Hilfsmitteln, um die Geschichte eines scheinbar einfachen Materials, Glas, und seiner Rolle beim Verbinden von Kulturen über Kontinente hinweg zu erzählen.

Zitation: Tang, P., Gan, X. & Tang, J. Ancient chinese glass heritage classification based on compositional data and machine learning. npj Herit. Sci. 14, 125 (2026). https://doi.org/10.1038/s40494-026-02370-5

Schlüsselwörter: altes chinesisches Glas, Seidenstraßenhandel, Kulturerbe-Wissenschaft, Maschinenlern-Klassifizierung, Glasverwitterung