XRF化学組成データを用いた説明可能な機械学習による朝鮮伝統陶磁器の分類

陶磁の宝物と現代アルゴリズムの出会い

何世紀にもわたり、専門家は朝鮮の優れた陶磁器――柔らかな緑色の青磁、力強い文鎮（ブンチョン）の装飾、静謐な白磁――を目と経験で分類してきました。しかし、破片が損傷していたり変色していたり、教科書どおりの見た目に当てはまらない場合はどうなるでしょうか。本研究は、現代の機械学習がこれらの器物の化学的「指紋」を読み取り、客観的に分類できること、さらにどの成分が各作品の特徴的な美しさを生んでいるかを説明できることを示します。

釉色から隠れた成分へ

青磁、ブンチョン、白磁は単なる美術館のラベルではなく、高麗から朝鮮にかけての趣味と技術の変遷をたどる手がかりです。青磁は翡翠のような緑釉と精緻な象嵌で知られ、ブンチョンは暗色の胎土に生き生きとした白化粧の装飾が施され、白磁は純粋で抑制のきいた優美さを特徴とします。しかし、視覚に基づく分類には限界があります。初期作や実験的な作品は見た目が異なり、風化や破損で重要な特徴が隠れてしまうこともあります。著者らは代わりにX線蛍光（XRF）を用います。これは、シリカ、アルミナ、鉄、チタンなど主要酸化物の含有量を明らかにする技術です。これらの化学的配合は原料や焼成条件を反映するため、破片が何の器物であったかを特定するより安定した基盤を提供します。

古い粘土を識別するためにコンピュータを教える

研究チームは過去の研究から624点の陶磁サンプルのXRFデータを収集し、青磁、ブンチョン、白磁を均等にカバーしました。そして、測定された10種類の酸化物のみを入力にして、これら3種類を識別するために6種類の機械学習モデルを訓練しました。決定木やランダムフォレストのようなモデルは単純なルールに基づいてデータを分岐させます。サポートベクターマシンのような他のモデルは、より柔軟な境界を数学空間に描きます。特定のデータセットに過度に適合するのを避けるため、著者らはデータの一部をテスト用に取り分け、独立した研究からの59サンプルのまったく別のグループで性能を検証しました。

機械の性能はどれほどか

木構造に基づく2つの手法――ランダムフォレストと極端勾配ブースティング（XGBoost）――が最も優れ、テストサンプルの約96%を正しく分類しました。サポートベクターマシンも僅差で続き、より単純で硬直した手法は後れを取りました。誤分類を詳しく見ると興味深い傾向がありました：白磁はほぼ常に正しく識別された一方で、青磁とブンチョンはしばしば互いに混同されていました。これは歴史と技術を反映しています。青磁とブンチョンは類似の粘土と高温焼成を共有し、初期のブンチョンはしばしば青磁の技法を借用したため、化学的な特徴が重なりやすいのです。純粋で着色成分の少ない粘土から作られる白磁は、データ上で明確に別のクラスタを形成します。

判断を説明する：なぜ鉄とチタンが重要か

強力なモデルはブラックボックスのままでは研究者にとってあまり役に立ちません。蓋を開けるために、研究者らは各化学成分が試料をある陶磁器タイプへどれだけ強く傾けるかをスコア化するSHAPという手法を用いました。最も性能の良いモデル群では、二つの酸化物が物語を支配していました：酸化鉄（Fe2O3）と二酸化チタン（TiO2）です。これらは焼成された粘土の色に影響を与えることで既に知られており、量や窯の雰囲気によって黄色味から青緑の色調へと変化します。機械学習の解析は、鉄とチタンの量が低ければ白磁を強く示し、中程度なら青磁を示唆し、より高い鉄と中程度のチタンの組み合わせはブンチョンの暗く土っぽい胎土に特徴的であることを確認しました。リンやナトリウムを含む他の酸化物は、主要な着色成分が重なった際に青磁とブンチョンを分ける補助的な役割を果たしました。

過去を読み解くことへの意味

本質的に、本研究はコンピュータが専門家レベルの精度で朝鮮伝統陶磁器を分類でき、どの成分が重要かを明確に示せることを示しています。これは学芸員や考古学者に取って代わるものではなく、視覚的判断を検証し、境界線上の事例を解決し、粘土や焼成の微妙な変化が青磁から力強いブンチョン、そして純白の白磁へと至る進化にどう寄与したかをより深く理解するための定量的な相棒を提供します。異なる窯や時代からより多くの化学データが集まれば、このような説明可能な機械学習ツールは、最小の破片に刻まれた技術的選択や文化的価値の再構築における標準的な補助手段となる可能性があります。

引用: 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

キーワード: 朝鮮陶磁, 機械学習, XRF分析, 文化遺産, 磁器分類