Classificazione spiegabile basata su machine learning di ceramiche tradizionali coreane usando dati di composizione chimica XRF

Tesori ceramici incontrano gli algoritmi moderni

Per secoli, gli esperti hanno classificato le più raffinate ceramiche coreane — il celadon verde tenue, il vivace buncheong decorato e la serena porcellana bianca — basandosi sull’occhio e sull’esperienza. Ma cosa succede quando un frammento è danneggiato, scolorito o non corrisponde esattamente all’aspetto descritto nei manuali? Questo studio dimostra come il moderno machine learning possa leggere le “impronte chimiche” di questi oggetti per classificarli in modo oggettivo e persino spiegare quali ingredienti conferiscono a ciascun pezzo la sua bellezza distintiva.

Dal colore dello smalto agli ingredienti nascosti

Celadon, buncheong e porcellana bianca sono più di semplici etichette museali; tracciano cambiamenti di gusto e tecnologia dalle dinastie Goryeo ai Joseon in Corea. Il celadon è celebre per il suo smalto verde giada e gli intarsi intricati, il buncheong per le vivaci decorazioni in barbotina bianca su un corpo più scuro, e la porcellana bianca per la sua eleganza pura e misurata. Tuttavia la classificazione basata sull’aspetto visivo ha dei limiti: pezzi antichi o sperimentali possono apparire diversi, e il degrado o le rotture possono mascherare caratteristiche chiave. Gli autori ricorrono invece alla fluorescenza a raggi X (XRF), una tecnica che rivela la quantità di ciascun ossido principale — come silice, allumina, ferro e titanio — presente nel corpo ceramico. Poiché queste ricette chimiche riflettono le materie prime e le condizioni di cottura, forniscono una base più stabile per identificare quale tipo di vaso fosse un tempo un frammento.

Insegnare ai computer a riconoscere l’argilla antica

Il team ha raccolto dati XRF per 624 campioni ceramici provenienti da studi scientifici precedenti, coprendo in modo equilibrato celadon, buncheong e porcellana bianca. Hanno poi addestrato sei diversi modelli di machine learning a riconoscere i tre tipi usando soltanto dieci ossidi misurati. Alcuni modelli, come gli alberi decisionali e le foreste casuali, dividono i dati in rami basati su regole semplici. Altri, come le macchine a vettori di supporto, tracciano confini più flessibili in uno spazio matematico. Per evitare di sovradattare i modelli a questo specifico insieme di dati, gli autori hanno riservato una parte dei dati per i test e hanno valutato le prestazioni su un gruppo completamente separato di 59 campioni provenienti da ricerche indipendenti.

Quanto bene hanno funzionato le macchine

Due metodi basati su alberi — foresta casuale e extreme gradient boosting — si sono piazzati al primo posto, classificando correttamente circa il 96% dei campioni di test. Una macchina a vettori di supporto li ha seguiti a poca distanza, mentre metodi più semplici e rigidi hanno avuto prestazioni inferiori. Uno sguardo più attento sugli errori ha rivelato un andamento significativo: la porcellana bianca è stata quasi sempre identificata correttamente, mentre celadon e buncheong sono stati spesso confusi tra loro. Questo rispecchia la storia e la tecnologia: entrambi condividono argille simili e alte temperature di cottura, e il buncheong primitivo spesso mutuava tecniche dal celadon, quindi le loro firme chimiche si sovrappongono naturalmente. La porcellana bianca, prodotta con argilla sorprendentemente pura e con pochissimo materiale che causa colore, si distingue come un raggruppamento netto nei dati.

Spiegare le decisioni: perché ferro e titanio contano

I modelli potenti non servono molto agli storici se si comportano come scatole nere. Per aprire il coperchio, i ricercatori hanno usato SHAP, un metodo che assegna a ciascun elemento chimico un punteggio su quanto spinge un campione verso un tipo di ceramica piuttosto che un altro. Nei modelli con le migliori prestazioni, due ossidi hanno dominato la narrazione: l’ossido di ferro (Fe2O3) e il biossido di titanio (TiO2). È già noto che questi influenzano il colore nell’argilla cotta, spostando le tonalità dal giallastro al verde-blu a seconda della loro quantità e dell’atmosfera del forno. L’analisi di machine learning ha confermato che livelli bassi di ferro e titanio favoriscono fortemente la porcellana bianca; livelli intermedi tendono a segnalare il celadon; e livelli più elevati di ferro, abbinati a titanio moderato, sono caratteristici dei corpi più scuri e terrosi del buncheong. Altri ossidi, come quelli contenenti fosforo e sodio, hanno svolto ruoli di supporto nel distinguere celadon e buncheong quando i principali ingredienti coloranti si sovrapponevano.

Cosa significa per leggere il passato

In sostanza, lo studio mostra che i computer possono ordinare le ceramiche tradizionali coreane con precisione a livello di esperto, spiegando chiaramente quali ingredienti sono più importanti. Piuttosto che sostituire curatori e archeologi, questo approccio offre loro un compagno quantitativo: un modo per verificare giudizi visivi, risolvere casi borderline e comprendere meglio come sottili variazioni nell’argilla e nella cottura abbiano contribuito all’evoluzione dal celadon verde al vivace buncheong fino alla porcellana bianca pura. Con la raccolta di più dati chimici provenienti da differenti fornaci e periodi, tali strumenti di machine learning spiegabili potrebbero diventare ausili standard per ricostruire le scelte tecnologiche e i valori culturali insiti anche nel più piccolo frammento di ceramica.

Citazione: 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

Parole chiave: Ceramiche coreane, machine learning, analisi XRF, patrimonio culturale, classificazione delle porcellane