고대 도자 분류는 전통적으로 전문가 판단에 의존했다.
고고학자들은 항아리 벽의 곡선, 테두리 모양, 바닥 각도와 같은 특징을 조사해 도기 종류를 판별한다.
이러한 방법은 유용하지만, 전문가들 사이에서도 같은 도자기를 분류하는 데 의견 차이가 발생할 수 있고, 분류 기준 자체가 객관적인 측정이나 검증을 위해 설계된 것이 아니기 때문에 주관적인 한계를 지닌다.
나고야 대학과 유니버시티 칼리지 런던(UCL) 연구팀은 완전히 다른 접근 방식을 사용하는 딥러닝 시스템을 개발했다.
이 시스템은 시각적 판단에 의존하는 대신, 도기의 전체 3D 형태를 기반으로 분류하고 분류 결과에 대한 설명까지 제공한다.
연구 대상 도기
본 연구는 5세기경부터 10세기경까지 일본에서 생산된 유약을 바르지 않은 석기인 스에키를 집중적으로 분석한다.
물레를 이용해 빚고 터널 가마에서 고온으로 구워낸 스에키는 수공으로 만든 도기보다 형태가 정형화해 도기 형태학 연구에 특히 적합했다.
연구진은 고대 일본 주요 스에키 생산지 중 하나인 아이치현의 사나게 가마에서 출토된 917점 도기를 조사했다.
도기는 Dish Cap, Dish Body with Ring Base, Dish Body, Plate, and Bowl의 다섯 가지 유형으로 분류했다.
모든 표본은 8세기부터 9세기 중반까지 것으로, 이 시기는 연구 결과를 해석하는 데 중요한 역할을 한다.
훈련 데이터
이 연구의 핵심적인 차이점은 연구자들이 사진이나 평면 윤곽선 그림을 사용해 모델을 훈련시키지 않았다는 점이다.
대신, 각 그릇을 전체 표면 형상을 포착하는 좌표 집합인 3D 포인트 클라우드로 표현했다.
연구팀은 광학 스캐닝과 사진측량을 사용해 이러한 포인트 클라우드를 생성한 다음, 각 그릇을 정확히 1024개 점으로 축소해 원래 3D 형상 인식을 위해 설계된 Point Transformer라는 모델에 데이터를 입력했다.
포인트 클라우드를 활용한 덕분에, 이 모델은 도기의 완전한 3차원 형태를 다룰 수 있었다.
기존 2D 단면도는 단면 하나만 보여주기 때문에 벽의 곡선이나 바닥에서 몸체로 이어지는 부분과 같은 중요한 세부 사항을 놓칠 수 있다.
이러한 한계로 인해 이전 연구에서는 시각적으로 유사한 2D 윤곽선 때문에 경계선에 있는 도기를 구별하기 어려운 문제가 발생했다.
새로운 모델은 완전한 3D 형태를 사용함으로써 평면화한 이미지로는 포착할 수 없던 차이점을 담아낼 수 있었다.
모델 성능
이 모델은 5가지 도자기 범주 모두에서 뛰어난 성능을 보였으며, 5겹 교차 검증에서 0.9320의 전체 매크로 F1 점수를 달성했다.
세 가지 범주는 거의 완벽한 정확도로 분류되었다.
뚜껑 접시는 0.9975, 고리형 바닥이 있는 몸체 접시는 0.9766, 접시는 0.9761의 F1 점수를 기록했다.
그러나 모델은 두 가지 범주를 구별하는 데 어려움을 겪었다.
접시 본체(Dish Body)의 F1 점수는 0.8317이었고, 사발(Bowl)의 F1 점수는 0.8779였다.
혼동 행렬을 통해 이러한 낮은 점수를 설명할 수 있다.
실제 사발인 18개가 접시 본체로, 실제 접시 본체인 22개가 사발로 잘못 분류되어, 이 두 범주 간 혼동이 데이터 세트에서 가장 큰 오류 원인임을 알 수 있다.
모델의 어려움 이해하기
모델의 가장 낮은 결과는 도기 자체에 대한 중요한 정보를 제공할 수 있다.
일본 스에키 연구자들은 일반적으로 접시 본체 형태 도기를 거의 수직에 가까운 벽, 평평한 바닥, 뚜껑이 있는 형태와 연관시키며, 사람들이 손으로 음식을 먹는 데 사용했다고 생각한다.
반면, 사발 형태 도기는 벽이 더 완만하게 곡선으로 휘어져 있고 뚜껑이 없으며, 사람들이 숟가락과 젓가락을 사용하기 시작하면서 더 흔해졌다.
역사적 증거에 따르면 이러한 변화는 갑작스럽게 일어난 것이 아니라 점진적으로 발생했으며, 데이터 세트에 포함된 8세기부터 9세기 중반까지의 기간은 이러한 전환기에 해당한다.
이것이 모델이 두 범주를 구분하는 데 어려움을 겪은 이유를 설명해 줄 수 있다.
단순히 오류를 범한 것이 아니라, 당시에는 사발 모양과 접시 모양을 구분하는 것이 실제로 어려웠다는 사실을 감지한 것일 수 있다.
모델이 학습한 특징에 대한 PCA 시각화는 이러한 해석을 뒷받침한다. 다른 세 가지 범주는 비교적 뚜렷한 클러스터를 형성했지만, 그릇 모양과 접시 모양 샘플은 학습 후에도 상당 부분 겹치는 것으로 나타났다.
이는 당시 두 유형 사이에 명확한 형태학적 경계가 없었을 가능성을 시사하며, 모델의 혼란은 분류 시스템의 약점이라기보다는 도기 자체의 모호성을 반영하는 것일 수 있다.[이유? 고고학도 지들이 구분도 안 되는 것을 어거지로 구분한 데서 비롯한다.]
더 이상 블랙박스가 아니다
연구자들은 딥러닝 모델이 이해하기 어려운 과정을 통해 결정을 내릴 수 있기 때문에 종종 "블랙박스"라고 부른다.
이 연구팀은 모델이 실제로 무엇을 학습하는지 분석하는 여러 가지 방법을 개발하여 이 문제를 해결했다.
PCA 시각화와 더불어, 계층적 클러스터링 덴드로그램을 사용해 모델이 모양의 유사성을 기반으로 용기를 어떻게 그룹화하는지 보여주었다.
또한, 원래 2D 이미지용으로 설계된 Grad-CAM 기법을 3D 버전으로 적용하여 각 예측에 영향을 미치는 용기 표면의 특정 지점을 강조했니다.
가장 확실한 증거는 인간 전문가조차 분류하기 어려워한 용기를 포함하여, '접시 몸체'와 '사발'의 경계에 있는 6개 용기에서 나타났다.
이 모델은 6개 중 5개를 정확하게 분류했다.
더 중요한 것은 3D 살리언시 맵을 통해 모델이 결정을 내릴 때 어디를 살펴보았는지 알 수 있다는 점이다.
'접시 몸체'로 예측할 때는 테두리와 바닥 근처의 가파른 안쪽 경사면에 집중했다.
'사발'로 예측할 때는 테두리보다는 바깥쪽 표면과 바닥 쪽으로 시선을 옮겼다.
이 모델이 특히 흥미로운 점은 도기를 완전히 다른 방식으로 분석한 것이 아니라는 것이다.
고고학자가 육안으로 검사하는 것과 동일한 특징들에 주목했다.
차이점은 모델이 그러한 분류가 어디에서 비롯되었는지 정확하게 보여줄 수 있다는 것이다.
단순히 "접시 몸체" 또는 "사발"이라고 말하는 대신, 형태적 특징을 통해 분류를 내릴 수 있도록 도와주어, 블랙박스 예측에 그칠 뻔했던 것을 연구자들이 실제로 해석할 수 있는 것으로 바꿔놓았다.
이 도구의 추가 활용 가능성
연구자들은 이 모델이 기존 토기 분류를 검증하는 것 이상의 의미를 지닌다고 생각한다.
이와 같은 3D 형태 지문 분석은 도기의 생산지를 추적하는 데도 도움이 될 수 있다.
이전 연구에서는 손잡이나 테두리 모양과 같은 작은 특징들을 분석하여 생산지를 파악했다.
일본 전역의 여러 가마터에서 출토된 토기에 이 모델을 적용하면, 이러한 미묘한 차이를 이용하여 도기가 생산지에서 최종적으로 사용한 공동체로 어떻게 이동했는지 추적할 수 있다.
또 다른 장점은 이 접근 방식이 엄청난 컴퓨팅 성능을 요구하지 않는다는 것이다.
모델 학습은 일반 소비자용 GPU 하나에서 약 5시간밖에 걸리지 않았으므로, 특수 슈퍼컴퓨터에 의존할 필요가 없었다.
한계
하지만 이 접근 방식에는 몇 가지 한계가 있다.
광학 스캐닝으로는 항아리나 주전자처럼 내부를 포착할 수 없기 때문에, 사발이나 접시처럼 입구가 넓은 형태의 용기에 가장 효과적이다.
이러한 용기를 연구하려면 X선 CT 스캔과 같은 기술이 필요하다.
또한 이 모델은 지도 학습 방식으로, 연구자들이 이미 설정한 범주를 학습한다.
기존 범주를 검증하고, 중복되는 부분을 찾아내고, 잠재적으로 기존 범주에 이의를 제기할 수는 있지만, 완전히 새로운 유형 분류 체계를 스스로 만들어낼 수는 없다.
데이터 세트에는 917개 용기가 포함되어 있는데, 이는 많은 고고학 프로젝트에서 단일 도기 유형에 대해 확보하기 어려운 수치다.
이러한 한계에도 불구하고, 이 연구는 도자기 연구 방식에 있어 중요한 전환점을 제시한다.
연구진은 전문가 판단에 전적으로 의존하거나 인공지능을 단순히 답을 내놓는 시스템으로 취급하는 대신, 3D 형태 자체를 측정, 분류, 해석할 수 있음을 보여주었다.
코드와 전체 데이터 세트가 공개됨에 따라, 다른 연구자들도 동일한 접근 방식을 다양한 도자기 전통, 지역, 시대에 적용할 수 있게 되어 고대 도자기를 보다 측정 가능하고 투명하게 연구할 수 있는 길이 열렸다.
Tatsuda, W., Hori, R., Morikawa, K., & Inoue, H. “Deep learning-based morphological classification of ceramics: A case study of 3D point cloud analysis for Sue ware, Japan.” Journal of Archaeological Science, Vol. 187 (2026), article 106472. doi.org/10.1016/j.jas.2026.106472
***
이제 저런 짓이 무슨 필요가 있을까? 왜 구분도 되지 않는 모양으로 어거지로 지들 마음대로 설정한 범주에다 끼워맞춘단 말인가?
저런 문과대 고고학을 점성술 고고학이라 한다.
쓸어버려야 한다.
저런 짓 할 시간에 도기 잔류물 분석해 정작으로 저들이 무얼 먹고 살았는지를 파고드는 게 낫다.
딱 일본고고학 하는 뻘짓이 한국고고학의 그것이다.
AI 활용하라 했더니 고작 하는 짓이라고는 저런 뻘짓이다.
'NEWS & THESIS' 카테고리의 다른 글
| 2,000년 전 로마 땅 브리튼에서도 돼지머리 고사 지냈다 (0) | 2026.08.23 |
|---|---|
| 아마란스를 좋아한 석기 시대 유럽인들, 지역별 특색 요리법 있었다 (0) | 2026.08.23 |
| 보존처리 들어간 넴루트 산의 조각상들 (0) | 2026.08.23 |
| 지금도 반짝반짝하는 1,700년 된 손권 시대 주석 도금 중국 갑옷 출토! (0) | 2026.08.23 |
| 태행산맥 기슭 하상夏商시대 종촌钟村 유적 (1) | 2026.08.23 |
댓글