Classification explicable par apprentissage automatique des céramiques traditionnelles coréennes à partir de données de composition chimique XRF

Trésors de céramique et algorithmes modernes

Pendant des siècles, les experts ont classé les meilleures céramiques de Corée — le céladon vert doux, le buncheong aux décors audacieux et la porcelaine blanche sereine — à l’œil et par l’expérience. Mais que faire lorsqu’un fragment est endommagé, décoloré ou ne correspond pas tout à fait à l’aspect attendu ? Cette étude montre comment l’apprentissage automatique moderne peut lire les « empreintes » chimiques de ces objets pour les trier de manière objective, et même expliquer quels ingrédients confèrent à chaque pièce sa beauté distinctive.

Des couleurs d’émail aux ingrédients cachés

Le céladon, le buncheong et la porcelaine blanche sont plus que des étiquettes de musée : ils reflètent des évolutions de goût et de technique des dynasties Goryeo à Joseon. Le céladon est célèbre pour son émail vert jade et ses incrustations délicates, le buncheong pour ses décors en barbotine claire sur un corps plus sombre, et la porcelaine blanche pour son élégance pure et retenue. Pourtant, le tri visuel a ses limites : les pièces anciennes ou expérimentales peuvent présenter un aspect différent, et l’altération ou la casse peut masquer des caractéristiques clés. Les auteurs se tournent donc vers la fluorescence X (XRF), une technique qui révèle la quantité de chaque oxyde majeur — comme la silice, l’alumine, le fer et le titane — présente dans la pâte céramique. Parce que ces recettes chimiques reflètent les matières premières et les conditions de cuisson, elles offrent une base plus stable pour identifier le type de pièce dont un éclat provient.

Apprendre aux ordinateurs à reconnaître l’argile ancienne

L’équipe a rassemblé des données XRF pour 624 échantillons céramiques tirés d’études scientifiques antérieures, couvrant de façon équilibrée le céladon, le buncheong et la porcelaine blanche. Ils ont ensuite entraîné six modèles d’apprentissage automatique différents à reconnaître les trois types en n’utilisant que dix oxydes mesurés. Certains modèles, comme les arbres de décision et les forêts aléatoires, divisent les données en branches selon des règles simples. D’autres, tels que les machines à vecteurs de support, tracent des frontières plus flexibles dans un espace mathématique. Pour éviter de suradapter les modèles à ce jeu de données particulier, les auteurs ont réservé une partie des données pour les tests et ont évalué les performances sur un groupe entièrement séparé de 59 échantillons provenant de recherches indépendantes.

Performance des modèles

Deux méthodes basées sur les arbres — la forêt aléatoire et le boosting extrême (XGBoost) — se sont révélées supérieures, classifiant correctement environ 96 % des échantillons de test. Une machine à vecteurs de support n’était que légèrement en retrait, tandis que des méthodes plus simples et rigides affichaient des performances inférieures. Un examen plus approfondi des erreurs a fait émerger un schéma révélateur : la porcelaine blanche était presque toujours identifiée correctement, tandis que le céladon et le buncheong étaient souvent confondus. Cela reflète l’histoire et la technique. Le céladon et le buncheong partagent des argiles et des températures de cuisson similaires, et les premiers buncheong ont souvent emprunté des techniques au céladon, si bien que leurs signatures chimiques se recoupent naturellement. La porcelaine blanche, fabriquée à partir d’une argile exceptionnellement pure contenant très peu de matériaux colorants, se distingue comme un groupe séparé dans les données.

Expliquer les décisions : pourquoi le fer et le titane comptent

Des modèles puissants sont peu utiles aux historiens s’ils fonctionnent comme des boîtes noires. Pour lever le voile, les chercheurs ont utilisé SHAP, une méthode qui attribue à chaque composé chimique un score indiquant dans quelle mesure il pousse un échantillon vers tel ou tel type de céramique. Dans les modèles les plus performants, deux oxydes dominent l’histoire : l’oxyde de fer (Fe2O3) et le dioxyde de titane (TiO2). On sait déjà que ces composants influent sur la couleur des pâtes cuites, faisant varier les teintes du jaunâtre au vert bleuâtre selon leur quantité et l’atmosphère du four. L’analyse par apprentissage automatique confirme que de faibles teneurs en fer et en titane favorisent fortement la porcelaine blanche ; des niveaux intermédiaires signalent plutôt le céladon ; et des teneurs en fer plus élevées, associées à un titane modéré, caractérisent les corps plus sombres et plus terreux du buncheong. D’autres oxydes, tels que ceux contenant du phosphore et du sodium, jouent un rôle d’appoint pour départager céladon et buncheong lorsque leurs principaux ingrédients colorants se chevauchent.

Ce que cela signifie pour la lecture du passé

En somme, l’étude montre que des ordinateurs peuvent trier les céramiques traditionnelles coréennes avec une précision proche de celle des spécialistes tout en indiquant clairement quels ingrédients importent le plus. Plutôt que de remplacer les conservateurs et les archéologues, cette approche leur offre un compagnon quantitatif : un moyen de vérifier les jugements visuels, de résoudre les cas limites et de mieux comprendre comment de subtiles variations d’argile et de cuisson ont contribué à l’évolution du céladon vert au buncheong audacieux puis à la porcelaine blanche pure. À mesure que davantage de données chimiques seront recueillies auprès de différents fours et périodes, de tels outils d’apprentissage automatique explicables pourraient devenir des aides standard pour reconstituer les choix technologiques et les valeurs culturelles inscrits jusque dans le plus petit éclat de poterie.

Citation: 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

Mots-clés: céramiques coréennes, apprentissage automatique, analyse XRF, patrimoine culturel, classification de porcelaine