Verklaarbare machine learning-classificatie van traditionele Koreaanse keramiek met XRF-chemische samenstellingsgegevens

Keramische schatten ontmoeten moderne algoritmen

Eeuwenlang hebben deskundigen de beste Koreaanse keramiek—zachtgroene celadon, gedurfde buncheong en serene witporselein—ingedeeld op basis van zicht en ervaring. Maar wat gebeurt er als een fragment beschadigd is, verkleurd of niet helemaal het boekmatige uiterlijk heeft? Deze studie laat zien hoe moderne machine learning de chemische "vingerafdrukken" van deze objecten kan lezen om ze objectief te classificeren, en zelfs kan uitleggen welke ingrediënten elk stuk zijn karakteristieke uitstraling geven.

Van glazuurkleuren naar verborgen ingrediënten

Celadon, buncheong en witporselein zijn meer dan museumlabels; ze weerspiegelen veranderingen in smaak en technologie van Korea’s Goryeo- tot Joseon-dynastieën. Celadon staat bekend om zijn jadegroene glazuur en verfijnde ingelegde decoratie, buncheong om levendige witlaagversieringen op een donkere scherf, en witporselein om zijn zuivere, ingetogen elegantie. Toch heeft visuele sortering zijn beperkingen: vroege of experimentele stukken kunnen er anders uitzien, en verwering of breuk kan sleutelkenmerken verbergen. De auteurs wenden zich daarom tot röntgenfluorescentie (XRF), een techniek die aangeeft hoeveel van elk belangrijk oxide—zoals silica, alumina, ijzer en titanium—in het keramische lichaam aanwezig is. Omdat deze chemische recepten grondstoffen en bakcondities weerspiegelen, bieden ze een stabielere basis om te bepalen wat voor soort object een scherf ooit was.

Computers leren oude klei te herkennen

Het team stelde XRF-gegevens samen voor 624 keramische monsters uit eerdere wetenschappelijke studies, gelijk verdeeld over celadon, buncheong en witporselein. Vervolgens trainden ze zes verschillende machine learning-modellen om de drie types te herkennen met slechts tien gemeten oxiden. Sommige modellen, zoals beslisbomen en random forests, splitsen de data in takken op basis van eenvoudige regels. Andere, zoals support vector machines, trekken flexibelere grenzen in een wiskundige ruimte. Om te voorkomen dat de modellen te sterk aan dit specifieke dataset worden aangepast, hielden de auteurs een deel van de data achter voor testen en onderzochten ze de prestaties op een volledig aparte groep van 59 monsters afkomstig uit onafhankelijk onderzoek.

Hoe goed de machines presteerden

Twee boomgebaseerde methoden—random forest en extreme gradient boosting—bleken het beste te presteren en classificeerden ongeveer 96% van de testmonsters correct. Een support vector machine bleef slechts iets achter, terwijl eenvoudigere, stijvere methoden een stap terug deden. Een nadere blik op de fouten onthulde een veelzeggend patroon: witporselein werd bijna altijd correct geïdentificeerd, maar celadon en buncheong werden vaak door elkaar gehaald. Dat weerspiegelt geschiedenis en technologie. Zowel celadon als buncheong gebruiken vergelijkbare kleisoorten en hoge baktijden, en vroegere buncheong nam vaak technieken van celadon over, waardoor hun chemische signaturen natuurlijk overlappen. Witporselein, gemaakt van uitzonderlijk zuivere klei met zeer weinig kleurveroorzakende stoffen, staat apart als een duidelijk cluster in de data.

De beslissingen verklaren: waarom ijzer en titanium ertoe doen

Krachtige modellen zijn weinig waardevol voor historici als ze als zwarte dozen functioneren. Om die deksel te openen gebruikten de onderzoekers SHAP, een methode die elk chemisch bestanddeel een score geeft voor hoe sterk het een monster naar het ene of het andere keramiektype duwt. In de best presterende modellen domineerden twee oxiden het verhaal: ijzeroxide (Fe2O3) en titaniumdioxide (TiO2). Deze zijn al bekend als bepalend voor kleur in gebakken klei en verschuiven tinten van gelig naar blauwgroen, afhankelijk van hun hoeveelheid en de atmosfeer in de oven. De machine learning-analyse bevestigde dat lage ijzer- en titaniumwaarden sterk wijzen op witporselein; tussenwaarden neigen naar celadon; en hogere ijzergehaltes, gecombineerd met matig titanium, typerend zijn voor buncheong’s donkerdere, aardse scherf. Andere oxiden, zoals die met fosfor en natrium, speelden een ondersteunende rol bij het uit elkaar houden van celadon en buncheong wanneer hun hoofdkleurende ingrediënten overlapten.

Wat dit betekent voor het lezen van het verleden

In wezen toont de studie aan dat computers traditionele Koreaanse keramiek kunnen sorteren met deskundige nauwkeurigheid, terwijl ze duidelijk aangeven welke ingrediënten het meeste gewicht in de schaal leggen. In plaats van conservatoren en archeologen te vervangen, biedt deze benadering hen een kwantitatieve partner: een manier om visuele oordelen te controleren, grensgevallen op te helderen en beter te begrijpen hoe subtiele verschuivingen in klei en bakproces de evolutie van groene celadon via gedurfde buncheong naar puur witporselein hebben gestuurd. Naarmate er meer chemische gegevens verzameld worden van verschillende ovens en periodes, zouden zulke verklaarbare machine learning-instrumenten standaardhulpmiddelen kunnen worden voor het reconstrueren van de technologische keuzes en culturele waarden die zelfs in het kleinste potscherfje besloten liggen.

Bronvermelding: 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

Trefwoorden: Koreaanse keramiek, machine learning, XRF-analyse, cultureel erfgoed, porseleinclassificatie