Förklaringsbar maskininlärningsbaserad klassificering av traditionell koreansk keramik med XRF-kemisk sammansättningsdata

Keramiska skatter möter moderna algoritmer

I århundraden har experter klassificerat Koreas finaste keramiker — mjukt grönt celadon, färgstarkt dekorerat buncheong och stillsamt vitt porslin — med ögat och erfarenhet. Men vad händer när en fyndbit är skadad, missfärgad eller inte riktigt passar lärobokens bild? Denna studie visar hur modern maskininlärning kan läsa de kemiska ”fingeravtrycken” hos dessa föremål för att sortera dem objektivt, och till och med förklara vilka ingredienser som ger varje objekt dess karaktäristiska skönhet.

Från glasyrfärger till dolda ingredienser

Celadon, buncheong och vitt porslin är mer än museala etiketter; de speglar smak- och teknikutveckling från Koreas Goryeo- till Joseon-dynastier. Celadon är berömt för sin jadegröna glasyr och intrikata inläggningar, buncheong för sina livfulla vita släppdekorationer på mörkare gods, och vitt porslin för sin rena, återhållna elegans. Visuell sortering har dock sina begränsningar: tidiga eller experimentella föremål kan se annorlunda ut, och vittring eller brott kan dölja viktiga kännetecken. Författarna vänder sig därför till röntgenfluorescens (XRF), en teknik som avslöjar hur mycket av varje större oxid — såsom kiseloxid, aluminiumoxid, järn och titan — som finns i den keramiska kroppen. Eftersom dessa kemiska recept speglar råmaterial och brännförhållanden ger de en mer stabil grund för att identifiera vilken typ av föremål en skärva en gång var.

Att lära datorer känna igen gammalt lergods

Forskargruppen sammanställde XRF-data för 624 keramiska prover från tidigare vetenskapliga studier, med jämn fördelning mellan celadon, buncheong och vitt porslin. De tränade sedan sex olika maskininlärningsmodeller att känna igen de tre typerna med hjälp av bara tio uppmätta oxider. Vissa modeller, som besluts-träd och slumpmässiga skogar (random forest), delar upp data i grenar baserade på enkla regler. Andra, såsom support vector machines, ritar mer flexibla gränser i ett matematiskt rum. För att undvika att modellerna överanpassas till just denna datamängd reserverade författarna en del av data för testning och undersökte prestanda på en helt separat grupp om 59 prover hämtade från oberoende forskning.

Hur väl maskinerna presterade

Två träd-baserade metoder — random forest och extreme gradient boosting — hamnade i toppen och klassificerade korrekt cirka 96 % av testproverna. En support vector machine kom knappt efter, medan enklare, mer rigida metoder halkade efter. En närmare granskning av misstagen visade ett talande mönster: vitt porslin identifierades nästan alltid korrekt, men celadon och buncheong förväxlades ofta med varandra. Detta speglar historia och teknik. Både celadon och buncheong delar liknande leror och höga bränntemperaturer, och tidig buncheong lånade ofta tekniker från celadon, så deras kemiska signaturer överlappar naturligt. Vitt porslin, gjort av ovanligt ren lera med mycket lite färgpåverkande material, står däremot för sig som ett tydligt kluster i datan.

Att förklara besluten: varför järn och titan spelar roll

Kraftfulla modeller är inte mycket värda för historiker om de beter sig som svarta lådor. För att öppna locket använde forskarna SHAP, en metod som tilldelar varje kemikalie en poäng för hur starkt den driver ett prov mot en viss keramisk typ. I de bäst presterande modellerna dominerade två oxider berättelsen: järnoxid (Fe2O3) och titandioxid (TiO2). Dessa är redan kända för att påverka färg i bränt gods, och skifta nyanser från gulaktiga till blågrön beroende på mängd och ugnsatmosfär. Maskininlärningsanalysen bekräftade att låga nivåer av järn och titan starkt talar för vitt porslin; medelnivåer tenderar att signalera celadon; och högre järnhalt, i kombination med måttlig titan, är karaktäristiskt för buncheongs mörkare, jordigare gods. Andra oxider, såsom de som innehåller fosfor och natrium, spelade stödjande roller för att särskilja celadon och buncheong när deras huvudfärgande ingredienser överlappade.

Vad detta betyder för att läsa historien

I stort visar studien att datorer kan sortera traditionell koreansk keramik med expertliknande noggrannhet samtidigt som de tydligt redogör för vilka ingredienser som är viktigast. Istället för att ersätta kuratorer och arkeologer erbjuder detta tillvägagångssätt dem en kvantitativ följeslagare: ett sätt att dubbelkolla visuella bedömningar, lösa gränsfall och bättre förstå hur subtila förändringar i lera och bränning bidrog till övergången från grön celadon till uttrycksfull buncheong och rent vitt porslin. När mer kemisk data samlas in från olika ugnar och perioder kan sådana förklaringsbara maskininlärningsverktyg bli standardhjälpmedel för att rekonstruera de tekniska val och kulturella värden som är inbäddade även i den minsta keramiska skärvan.

Citering: 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

Nyckelord: Koreansk keramik, maskininlärning, XRF-analys, kulturarv, porslinskategorisering