Wyjaśnialna klasyfikacja tradycyjnej koreańskiej ceramiki oparta na uczeniu maszynowym z wykorzystaniem danych składu chemicznego XRF

Skarby ceramiczne spotykają nowoczesne algorytmy

Przez wieki eksperci klasyfikowali najwyższej klasy koreańską ceramikę — miękki zielonkawy celadon, odważnie zdobiony buncheong oraz spokojną białą porcelanę — opierając się na wzroku i doświadczeniu. Co jednak robić, gdy fragment jest uszkodzony, odbarwiony albo nie pasuje do podręcznikowego wzoru? W tym badaniu pokazano, jak współczesne uczenie maszynowe potrafi odczytać chemiczne „odciski palców” tych naczyń, aby obiektywnie je sortować, a nawet wyjaśnić, które składniki nadają każdemu egzemplarzowi jego charakterystyczne piękno.

Od barwy szkliwa do ukrytych składników

Celadon, buncheong i biała porcelana to więcej niż etykiety muzealne; odzwierciedlają zmiany gustu i technologii od dynastii Koryo po Joseon. Celadon słynie z jadeitowo-zielonego szkliwa i misternych inkrustacji, buncheong z żywych dekoracji na białym engobie na ciemniejszym korpusie, a biała porcelana z czystej, powściągliwej elegancji. Jednak selekcja oparta na wyglądzie ma ograniczenia: wczesne lub eksperymentalne egzemplarze mogą wyglądać inaczej, a wietrzenie czy uszkodzenia mogą zatuszować kluczowe cechy. Autorzy sięgnęli więc po fluorescencję rentgenowską (XRF), technikę pokazującą zawartość poszczególnych głównych tlenków — takich jak krzemionka, glin, tlenek żelaza i tlenek tytanu — w masie ceramicznej. Ponieważ te chemiczne receptury odzwierciedlają surowce i warunki wypału, stanowią bardziej trwałą podstawę do ustalenia, jakiego rodzaju naczynie reprezentował dany odłamek.

Nauczanie komputerów rozpoznawania dawnej gliny

Zespół skompilował dane XRF dla 624 próbek ceramicznych z wcześniejszych badań naukowych, równomiernie obejmujących celadon, buncheong i białą porcelanę. Następnie wytrenowali sześć różnych modeli uczenia maszynowego, aby rozpoznawały te trzy typy, używając tylko dziesięciu zmierzonych tlenków. Niektóre modele, jak drzewa decyzyjne i lasy losowe, dzielą dane na gałęzie według prostych reguł. Inne, na przykład maszyny wektorów nośnych, kreślą bardziej elastyczne granice w przestrzeni matematycznej. Aby uniknąć nadmiernego dopasowania modeli do tego konkretnego zbioru danych, autorzy wydzielili część danych do testów i sprawdzili wydajność na zupełnie odrębnej grupie 59 próbek pochodzących z niezależnych badań.

Jak dobrze działały maszyny

Dwie metody oparte na drzewach — las losowy i ekstremalne zwiększanie gradientu (XGBoost) — okazały się najlepsze, poprawnie klasyfikując około 96% próbek testowych. Maszyna wektorów nośnych była tylko nieznacznie gorsza, podczas gdy prostsze, bardziej sztywne metody odstawały. Bliższa analiza błędów ujawniła wymowny wzorzec: biała porcelana była niemal zawsze prawidłowo rozpoznawana, natomiast celadon i buncheong często były ze sobą mylone. Odzwierciedla to historię i technologię — oba typy używają podobnych glin i wysokich temperatur wypału, a wczesny buncheong często zapożyczał techniki od celadonu, więc ich chemiczne sygnatury naturalnie się pokrywają. Biała porcelana, wykonana z wyjątkowo czystej gliny o bardzo małej zawartości materiałów powodujących barwę, wyodrębnia się jako odrębny klaster w danych.

Wyjaśnianie decyzji: dlaczego żelazo i tytan mają znaczenie

Potężne modele niewiele pomagają historykom, jeśli zachowują się jak czarne skrzynki. Aby je otworzyć, badacze zastosowali SHAP — metodę przypisującą każdemu związkowi chemicznemu ocenę, jak silnie przesuwa próbkę w stronę jednego typu ceramiki lub innego. W najlepszych modelach dwoma dominującymi tlenkami okazały się tlenek żelaza (Fe2O3) i dwutlenek tytanu (TiO2). Już wiadomo, że wpływają one na barwę wypalonej gliny, przesuwając odcienie od żółtawych po niebiesko-zielone w zależności od ich ilości i atmosfery w piecu. Analiza uczenia maszynowego potwierdziła, że niskie poziomy żelaza i tytanu silnie wskazują na białą porcelanę; poziomy pośrednie częściej sygnalizują celadon; natomiast wyższe stężenia żelaza, w połączeniu z umiarkowanym tytanem, charakteryzują ciemniejsze, bardziej ziemiste korpusy buncheong. Inne tlenki, na przykład zawierające fosfor i sód, odgrywały role pomocnicze w rozróżnianiu celadonu i buncheong, gdy główne barwiące składniki się pokrywały.

Co to znaczy dla czytania przeszłości

W istocie badanie pokazuje, że komputery mogą sortować tradycyjną koreańską ceramikę z dokładnością na poziomie eksperckim, jednocześnie jasno wskazując, które składniki mają największe znaczenie. Nie chodzi o zastępowanie kuratorów i archeologów, lecz o dostarczenie im ilościowego towarzysza: sposobu na weryfikację ocen wizualnych, rozstrzyganie przypadków granicznych i lepsze zrozumienie, jak subtelne zmiany w glinie i wypale przyczyniły się do ewolucji od zielonego celadonu, przez odważny buncheong, do czystej białej porcelany. W miarę jak gromadzone będą kolejne dane chemiczne z różnych pieców i okresów, takie wyjaśnialne narzędzia uczenia maszynowego mogą stać się standardową pomocą w odtwarzaniu decyzji technologicznych i wartości kulturowych zakodowanych nawet w najmniejszym odłamku ceramiki.

Cytowanie: 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

Słowa kluczowe: Koreańska ceramika, uczenie maszynowe, analiza XRF, dziedzictwo kulturowe, klasyfikacja porcelany