Clasificación explicable mediante aprendizaje automático de la cerámica tradicional coreana usando datos de composición química por XRF

Tesoros cerámicos se encuentran con algoritmos modernos

Durante siglos, los expertos han clasificado a ojo y por experiencia las mejores cerámicas de Corea: el celadón verde pálido, el audazmente decorado buncheong y la serena porcelana blanca. Pero ¿qué sucede cuando un fragmento está dañado, descolorido o no encaja con la apariencia de libro de texto? Este estudio muestra cómo el aprendizaje automático moderno puede leer las “huellas químicas” de estas piezas para ordenarlas de manera objetiva e incluso explicar qué ingredientes confieren a cada objeto su belleza distintiva.

De los colores del vidriado a los ingredientes ocultos

El celadón, el buncheong y la porcelana blanca son más que etiquetas de museo; trazan cambios de gusto y tecnología desde las dinastías Goryeo hasta Joseon de Corea. El celadón es famoso por su vidriado verde jade y su intrincada incrustación, el buncheong por sus animadas decoraciones con engobe blanco sobre un cuerpo más oscuro, y la porcelana blanca por su elegante pureza y sobriedad. Sin embargo, la clasificación basada en lo visual tiene límites: las piezas tempranas o experimentales pueden verse distintas, y la intemperie o la fractura pueden ocultar rasgos clave. Los autores recurren en su lugar a la fluorescencia de rayos X (XRF), una técnica que revela cuánto de cada óxido mayor —como sílice, alúmina, hierro y titanio— está presente en la pasta cerámica. Puesto que estas recetas químicas reflejan las materias primas y las condiciones de cocción, ofrecen una base más estable para identificar qué tipo de pieza fue un fragmento.

Enseñar a las computadoras a reconocer arcillas antiguas

El equipo compiló datos XRF de 624 muestras cerámicas procedentes de estudios científicos previos, cubriendo de forma equilibrada celadón, buncheong y porcelana blanca. A continuación entrenaron seis modelos distintos de aprendizaje automático para reconocer los tres tipos usando únicamente diez óxidos medidos. Algunos modelos, como los árboles de decisión y los bosques aleatorios, dividen los datos en ramas según reglas simples. Otros, como las máquinas de vectores de soporte, trazan fronteras más flexibles en un espacio matemático. Para evitar ajustar los modelos en exceso a este conjunto de datos particular, los autores reservaron parte de los datos para pruebas y evaluaron el rendimiento con un grupo totalmente separado de 59 muestras extraídas de investigaciones independientes.

Cómo se desempeñaron las máquinas

Dos métodos basados en árboles —bosque aleatorio (random forest) y extreme gradient boosting— resultaron los mejores, clasificando correctamente alrededor del 96% de las muestras de prueba. Una máquina de vectores de soporte quedó apenas por detrás, mientras que métodos más simples y rígidos se quedaron rezagados. Un análisis más detallado de los errores reveló un patrón revelador: la porcelana blanca casi siempre se identificó correctamente, pero el celadón y el buncheong se confundían con frecuencia entre sí. Esto refleja la historia y la tecnología: tanto el celadón como el buncheong comparten arcillas similares y altas temperaturas de cocción, y el buncheong temprano a menudo tomó prestadas técnicas del celadón, por lo que sus firmas químicas se solapan de forma natural. La porcelana blanca, elaborada con arcilla extraordinariamente pura y con muy poco material que cause color, se distingue como un clúster aparte en los datos.

Explicar las decisiones: por qué importan el hierro y el titanio

Los modelos potentes no sirven de mucho a los historiadores si funcionan como cajas negras. Para abrir la tapa, los investigadores usaron SHAP, un método que asigna a cada químico una puntuación sobre cuánto empuja una muestra hacia un tipo cerámico u otro. En los modelos de mejor rendimiento, dos óxidos dominaron la historia: óxido de hierro (Fe2O3) y dióxido de titanio (TiO2). Ya se sabe que estos influyen en el color de la arcilla cocida, desplazando los tonos de amarillentos a verde azulado según su cantidad y la atmósfera del horno. El análisis de aprendizaje automático confirmó que niveles bajos de hierro y titanio favorecen fuertemente la porcelana blanca; niveles intermedios tienden a indicar celadón; y mayores cantidades de hierro, junto con titanio moderado, son característicos de los cuerpos más oscuros y terrosos del buncheong. Otros óxidos, como los que contienen fósforo y sodio, jugaron papeles de apoyo para diferenciar celadón y buncheong cuando sus ingredientes colorantes principales se solapaban.

Qué significa esto para leer el pasado

En esencia, el estudio muestra que las computadoras pueden clasificar las cerámicas tradicionales coreanas con una precisión al nivel de expertos, a la vez que explican claramente qué ingredientes son los más determinantes. En lugar de sustituir a conservadores y arqueólogos, este enfoque les ofrece un acompañante cuantitativo: una manera de verificar juicios visuales, resolver casos límite y comprender mejor cómo cambios sutiles en la arcilla y la cocción ayudaron a impulsar la evolución del celadón verde al atrevido buncheong y a la pura porcelana blanca. A medida que se recopilen más datos químicos de distintos hornos y períodos, herramientas de aprendizaje automático explicables como esta podrían convertirse en ayudas estándar para reconstruir las decisiones tecnológicas y los valores culturales embebidos incluso en el fragmento cerámico más pequeño.

Cita: 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

Palabras clave: Cerámica coreana, aprendizaje automático, análisis XRF, patrimonio cultural, clasificación de porcelana