מיון ניתן להסבר של כלי חרס קוריאניים מסורתיים המבוסס על למידת מכונה באמצעות נתוני הרכב כימי מ-XRF

אוצרות חרס פוגשים אלגוריתמים מודרניים

במשך מאות שנים מיינו מומחים את כלי החרס המשובחים של קוריאה — סלדון ירקרק רך, בונצ'אונג מעוטר בנועזות ופורצלן לבן מרגיע — בעין ובניסיון. אך מה קורה כאשר רסיס ניזוק, מתכהה או לא מתאים בדיוק למראה שבמקורות? המחקר הזה מראה כיצד למידת מכונה מודרנית יכולה לקרוא את "טביעות האצבע" הכימיות של הכלים האלה ולמיין אותם באופן אובייקטיבי, ואפילו להסביר אילו רכיבים מקנים לכל חפץ את יופיו המיוחד.

מצבעים של זיגוג לרכיבים חבויים

סלדון, בונצ'אונג ופורצלן לבן הם יותר מתוויות מוזיאון; הם עוקבים אחר שינויים בטעם ובטכנולוגיה משושלות גורייו עד ג'וסון של קוריאה. הסלדון מפורסם בזיגוג הירוק־כשדי ובחריטה המורכבת, הבונצ'אונג בעיטורי הטריקו הלבן על גוף כהה יותר, והפורצלן הלבן באלגנטיותו הטהורה והממושמעת. עם זאת, מיון מבוסס ראייה נתקל במגבלות: פריטים מוקדמים או ניסיוניים יכולים להיראות שונה, ושחיקה או שבר עלולים להסתיר מאפיינים מרכזיים. המחברים פונים במקום זאת לניתוח פליטת קרני רנטגן (XRF), טכניקה החושפת כמה מכל תחמוצת עיקרית — כמו סיליקה, אלומינה, ברזל וטיטניום — קיימת בגוף החרס. מאחר שמתכונות כימיות אלה משקפות חומרי גלם ותנאי שריפה, הן מספקות בסיס יציב יותר לזיהוי סוג הכלי שהיה פעם.

להדריך מחשבים לזהות חמר עתיק

הצוות אסף נתוני XRF עבור 624 דגימות חרס מתוך מחקרים מדעיים קודמים, באופן מאוזן המכסה סלדון, בונצ'אונג ופורצלן לבן. לאחר מכן אימנו שישה מודלי למידת מכונה שונים לזהות את שלוש הקטגוריות כשהם מסתמכים רק על עשר תחמוצות שנמדדו. כמה מודלים, כמו עצי החלטה ויערות אקראיים, חילקו את הנתונים לענפים על בסיס חוקים פשוטים. אחרים, כגון מכונות וקטור תומך, ציירו גבולות גמישים יותר במרחב מתמטי. על מנת להימנע מתאמה יתר לסט הנתונים הזה, המחברים שמרו חלק מהנתונים למבחן ובחנו ביצועים על קבוצת בדיקה נפרדת של 59 דגימות שנמשכו ממחקר עצמאי.

כמה טוב עבדו המחשבים

שתי שיטות מבוססות עץ — יער אקראי (random forest) ו־extreme gradient boosting — הגיעו לראש, וסווגו נכון כ‑96% מהדגימות במבחן. מכונת וקטור תומך נשארה מאחור רק במעט, בעוד ששיטות פשוטות ונוקשות יותר פיגרו. מבט קרוב בשגיאות חשף דפוס מרמז: פורצלן לבן כמעט תמיד זוהה נכון, אך סלדון ובונצ'אונג הוטעו לעיתים קרובות זה בזה. זה משקף היסטוריה וטכנולוגיה: סלדון ובונצ'אונג משתפים חמרים דומים וטמפרטורות שריפה גבוהות, ובונצ'אונג מוקדם נטה להשתמש בטכניקות של סלדון, ולכן החתימות הכימיות שלהם חופפות באופן טבעי. הפורצלן הלבן, המיוצר מחמר טהור במיוחד עם מעט חומרים המיצרים צבע, מייצג אשכול נפרד בנתונים.

להסביר את ההחלטות: מדוע ברזל וטיטניום חשובים

מודלים חזקים אינם מועילים להיסטוריונים אם הם פועלים כמו קופסאות שחורות. לפתיחת המכסה השתמשו החוקרים ב‑SHAP, שיטה המעניקה לכל רכיב כימי ציון המייצג עד כמה הוא לדחוף דגימה לכיוון סוג כלי מסוים. מעבר למודלים שהופיעו היטב, שתי תחמוצות שלטו בסיפור: תחמוצת ברזל (Fe2O3) ותחמוצת טיטניום (TiO2). ידוע כבר כי הן מעצבות את הצבע בחמרים אפויים, ושינוים בין גוונים צהבהבים לכחול־ירקרק תלויים בכמותן ובאווירת התנור. ניתוח למידת המכונה אישש שרמות נמוכות של ברזל וטיטניום מעדיפות באופן חזק פורצלן לבן; רמות בינוניות נוטות לסמן סלדון; ורמות ברזל גבוהות יחד עם טיטניום במידה מתונה אופייניות לגופים הכהים והאדמתיים של בונצ'אונג. תחמוצות אחרות, כמו אלה המכילות פוספורוס ונתרן, שיחקו תפקיד משני בלהבחין בין סלדון ובונצ'אונג כאשר רכיבי הצבע העיקריים חופפים.

מה משמעות הדבר לקריאת העבר

בעיקרו של דבר, המחקר מראה שמחשבים יכולים למיין כלי חרס קוריאניים מסורתיים ברמת דיוק ברמת מומחה תוך הצגה ברורה של אילו רכיבים חשובים ביותר. במקום להחליף אוצרים וארכיאולוגים, גישה זו מציעה להם בן לוויה כמותי: דרך לוודא שיפוטים חזותיים, לפתור מקרים גבוליים ולהבין טוב יותר כיצד שינויים עדינים בחמר ובשריפה סייעו להתפתחות מסלדון הירוק לבונצ'אונג הנועז ועד פורצלן לבן טהור. ככל שייאספו נתונים כימיים נוספים ממשרפות ותקופות שונות, כלי למידת מכונה הניתנים להסבר כאלה עשויים להפוך לסיוע סטנדרטי בשחזור הבחירות הטכנולוגיות והערכים התרבותיים הטמונים אפילו ברסיס החרס הקטן ביותר.

ציטוט: 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

מילות מפתח: כלי חרס קוריאניים, למידת מכונה, אנליזת XRF, מורשת תרבותית, מיון פורצלן