Açıklanabilir makine öğrenmesine dayalı sınıflandırma: XRF kimyasal bileşim verileri kullanılarak geleneksel Kore çanak-çömleğinin tanımlanması

Seramik Hazineler Modern Algoritmalarla Buluşuyor

Yüzyıllardır uzmanlar, Kore’nin en seçkin çanak-çömleklerini—yumuşak yeşil celadon, cesur süslü buncheong ve dingin beyaz porseleni—göz ve deneyimle sınıflandırdı. Ancak bir parça hasar gördüğünde, rengini kaybettiğinde veya ders kitaplarındaki görünüme tam uymadığında ne olur? Bu çalışma, modern makine öğrenmesinin bu eserlerin kimyasal “parmak izlerini” okuyarak nesnel şekilde ayırabileceğini ve her parçanın ayırt edici güzelliğini hangi bileşenlerin oluşturduğunu açıklayabileceğini gösteriyor.

Sırlardan Gizli Bileşenlere

Celadon, buncheong ve beyaz porselen yalnızca müze etiketleri değil; Goryeo’dan Joseon’a dek Kore’deki zevk ve teknoloji değişimlerinin izlerini taşır. Celadon jade-yeşili sır ve karmaşık kakma işleriyle, buncheong koyu gövde üzerindeki canlı beyaz sırlama ile, beyaz porselen ise saf ve ölçülü zarafetiyle bilinir. Yine de görsel sınıflandırmanın sınırları vardır: erken veya deneysel parçalar farklı görünebilir ve hava koşulları ya da kırılma önemli özellikleri örtebilir. Yazarlar bunun yerine X-ışını floresansını (XRF) kullanıyor; bu teknik, seramik gövdede hangi ana oksitlerin—silikon dioksit, alümina, demir, titanyum gibi—ne kadar bulunduğunu ortaya koyar. Bu kimyasal tarifler ham maddeleri ve pişirme koşullarını yansıttığından, bir kırığın ne tür bir eşya olduğunu belirlemek için daha stabil bir temel sunar.

Bilgisayarlara Eski Çamuru Tanıtmak

Araştırmacı ekip, önceki bilimsel çalışmalardan 624 seramik örneği için XRF verileri derledi; veriler celadon, buncheong ve beyaz porseleni eşit şekilde kapsıyordu. Ardından yalnızca on ölçülen oksiti kullanarak bu üç türü tanımayı öğrenmeleri için altı farklı makine öğrenmesi modeli eğitildi. Karar ağaçları ve rastgele orman gibi bazı modeller veriyi basit kurallara dayalı dallara böldü. Destek vektör makineleri gibi diğerleri ise matematiksel bir uzayda daha esnek sınırlar çizer. Modellerin bu özel veri kümesine fazla uyum sağlamasını önlemek için yazarlar verinin bir kısmını test için ayırdı ve performansı bağımsız araştırmalardan seçilen 59 örnekten oluşan tamamen ayrı bir grupla da sınadı.

Makinelerin Başarısı Ne Kadar İyiydi

İki ağaç tabanlı yöntem—rastgele orman ve ekstrem gradyan artırma (XGBoost)—en iyi sonucu verdi ve test örneklerinin yaklaşık %96’sını doğru sınıflandırdı. Bir destek vektör makinesi sadece biraz geride kalırken, daha basit ve daha katı yöntemler geride kaldı. Hatalara daha yakından bakıldığında önemli bir desen ortaya çıktı: beyaz porselen neredeyse her zaman doğru tanımlanırken, celadon ile buncheong sık sık birbirine karıştı. Bu tarih ve teknolojiyle uyumlu bir durumdur. Hem celadon hem de buncheong benzer kil türleri ve yüksek pişirme sıcaklıkları paylaşır; erken dönem buncheong sıklıkla celadondan teknikler ödünç almıştır, bu yüzden kimyasal imzaları doğal olarak örtüşür. Çok az renk verici madde içeren olağanüstü saf kilden yapılan beyaz porselen ise veride ayrı bir küme olarak öne çıkar.

Kararları Açıklamak: Neden Demir ve Titanyum Önemli?

Güçlü modeller siyah kutu gibi davranırsa tarihçilere çok az yarar sağlar. Kapağı açmak için araştırmacılar, her kimyasalın bir örneği belirli bir seramik türüne itme gücünü puanlayan SHAP yöntemini kullandı. En iyi performans gösteren modellerde iki oksit hikâyeyi domine etti: demir oksit (Fe2O3) ve titanyum dioksit (TiO2). Bunların pişmiş kilde rengi şekillendirdiği zaten biliniyordu; miktarlarına ve fırın atmosferine bağlı olarak tonları sarımsıdan mavimsi-yeşile kaydırırlar. Makine öğrenmesi analizi, düşük demir ve titanyum seviyelerinin beyaz porseleni güçlü biçimde desteklediğini; orta seviyelerin celadon sinyali verdiğini; daha yüksek demirle birlikte orta düzey titanyumun ise buncheong’un daha koyu, topraklı gövdelerine karakteristik olduğunu doğruladı. Fosfor ve sodyum içeren diğer oksitler gibi diğer bileşenler, ana renklendirici maddeler örtüştüğünde celadon ile buncheong’u ayırmada yardımcı rol oynadı.

Geçmişi Okumak İçin Ne Anlama Geliyor

Özetle, çalışma bilgisayarların geleneksel Kore çanak-çömleğini uzman düzeyinde doğrulukla sınıflandırabileceğini ve hangi bileşenlerin en çok önem taşıdığını açıkça belirtebileceğini gösteriyor. Bu yaklaşım küratörlerin ve arkeologların yerini almak yerine onlara nicel bir yardımcı sunar: görsel yargıları çift kontrol etmenin, sınırdaki vakaları çözmenin ve kil ile pişirme koşullarındaki ince değişimlerin yeşil celadondan cesur buncheong’a ve saf beyaz porselene uzanan evrimi nasıl etkilediğini daha iyi anlamanın bir yolu. Farklı fırınlar ve dönemlerden daha fazla kimyasal veri toplandıkça, bu tür açıklanabilir makine öğrenmesi araçları en küçük çömlek parçasında bile yer alan teknolojik tercihleri ve kültürel değerleri yeniden yapılandırmada standart yardımcılar haline gelebilir.

Atıf: 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

Anahtar kelimeler: Kore çanakları, makine öğrenmesi, XRF analizi, kültürel miras, porselen sınıflandırması