일본고고학, 인공지능으로 스에키 감정 정확도 93% 달성했다 해서 살피니...
by 나고야 대학교
일본에서 주로 5세기에서 10세기 사이에 사용된 스에키Sue ware 도기 예시. 사진: 이노우에 하야타 / 아이치현립도자기박물관 제공
고대 도기 분류는 항상 고고학자의 숙련된 판단에 의존했다. 도기 종류 간 미묘한 차이를 구별하는 데는 오랜 경험이 필요하며, 두 전문가 의견이 항상 일치하지도 않는다.
하지만 일본 나고야대학교 연구자를 포함한 연구팀이 사진이나 도면이 아닌 3차원 스캔 데이터를 활용하여 도기 형태를 높은 정확도로 분류할 수 있는 딥러닝 모델을 개발했다.
이 모델의 차별점은 정확도뿐만이 아니다.
연구팀은 모델이 도기 어느 부분에 가장 큰 가중치를 부여하는지 시각화한 결과, 전문가 고고학자들이 수작업으로 도기를 검사할 때 중점적으로 살펴보는 부분에 모델이 집중하는 경향이 있음을 발견했다.
"우리 모델을 통해 분류 결정에 가장 중요한 요소가 무엇인지 확인할 수 있었다"고 나고야대학교 인문대학원 이노우에 하야타Hayata Inoue 교수는 말했다.
"이러한 투명성 덕분에 모델은 블랙박스가 아닌, 분류 결정 과정을 이해하는 데 도움을 주는 도구로 거듭났습니다."
연구 결과는 '고고학 과학 저널(Journal of Archaeological Science)'에 게재되었다.
분류의 경계에 있는 토기 유형
이번 연구는 일본에서 5세기에서 10세기 사이에 주로 사용된 유약을 바르지 않은 석기인 스에키Sue ware에 초점을 맞추었다.
회색에서 갈회색을 띠는 스에키는 물레로 모양을 만들고 터널 가마에서 고온으로 구워내어 형태가 비교적 균일하고, 형태에 따른 분류에 적합한 토기 유형이다.
본 연구는 8세기부터 9세기 중반까지 일본의 주요 스에키 생산지였던 아이치현 사나게 가마Sanage kiln에서 출토된 도기를 대상으로 한다.
사나게 가마에서 생산된 다양한 종류의 도기 중에서도 특히 접시형Dish type과 사발형Bowl type은 오랫동안 분류에 어려움을 주는 유형이었다.
접시형 도기는 일반적으로 벽면이 수직에 가깝고 바닥이 평평한 반면, 사발형 도기는 벽면과 바닥이 완만하게 곡선을 이룬다.
그러나 8세기부터 9세기 중반까지 전문가들이 분류한 많은 도기에서 두 유형 특징이 모두 나타난다.
연구자들은 이러한 경계의 모호함이 역사적 변화를 반영한다고 생각한다.
이 시기에 일본의 식습관이 손으로 음식을 집어 먹는 것에서 젓가락이나 숟가락을 사용하는 것으로 바뀌었고, 식기의 형태 변화는 이러한 변화를 보여주는 기록일 수 있다는 것이다.
3차원에서 작동하는 모델 구축
딥
러닝을 활용한 기존 도자기 분류 방식은 대부분 2D 사진이나 단면 윤곽 도면에 의존했다.
이러한 방식의 한계는 명확하다.
3차원 물체를 단일 단면도로 축소하면 표면 정보가 손실되고, 윤곽선상으로는 거의 동일해 보이는 두 물체도 3차원 공간에서는 의미 있는 차이를 보일 수 있다.
이러한 한계를 극복하기 위해 연구팀은 3차원 포인트 클라우드를 직접 처리하는 '포인트 트랜스포머(Point Transformer)'라는 아키텍처를 사용했다.
포인트 클라우드는 물체 표면 수천 개 공간 좌표를 매핑해 물체 형태를 완벽하게 설명한다.
연구팀은 광학 스캐너와 사진측량을 이용하여 917점 스에키 조각을 디지털화하고, 각 조각을 1,024개 점으로 표현한 후, 전문가 고고학자들이 각 조각에 라벨을 지정하도록 했다.
그런 다음, 이 모델을 훈련시켜 뚜껑, 고리형 바닥이 있는 그릇, 그릇 본체, 그릇, 접시 등 다섯 가지 유형 형태 차이를 인식하도록 했다.
모델이 과거에 대해 밝혀주는 점
다섯 가지 유형 모두에서 모델은 93.2%의 전반적인 정확도를 달성했으며, 시각적으로 가장 뚜렷하게 구분되는 범주에서 거의 완벽한 성능을 보였다.
가장 낮은 점수를 받은 유형은 접시 몸체와 그릇이었다.
모델이 이 두 유형을 구분하는 데 어려움을 겪은 까닭은 형태가 실제로 겹치는 부분이 있었기 때문이며, 이는 과도기 동안 이 두 유형 간 경계가 명확하게 정의되지 않았다는 견해를 뒷받침한다.
모델이 어떻게 결정을 내렸는지 이해하기 위해 연구진은 Gradient-weighted Class Activation Mapping(Grad-CAM)이라는 기법을 사용했다.
이 기법은 객체의 어느 부분이 특정 분류에 가장 큰 영향을 미쳤는지 보여준다.
접시 몸체 예측의 경우, 모델은 테두리와 바닥과 벽 사이 가파른 안쪽 각도에 집중했다.
그릇 예측의 경우, 모델은 바깥 표면과 바닥에 집중했다.
이는 숙련된 고고학자들이 수작업으로 유물을 분류할 때 중요하게 생각하는 영역과 일치할 수 있지만, 모델이 항상 같은 패턴을 따르는 것은 아니다.
연구팀은 데이터셋과 코드를 무료로 공개했으며, 이 프레임워크는 일본 외 다른 도기 전통에도 적용할 수 있도록 설계되었다.
"이 접근 방식은 상당히 큰 표본을 필요로 한다"고 유니버시티 칼리지 런던(UCL) 석사 과정 학생이자 나고야 대학교 졸업생인 와타루 타츠다 교신 저자는 말했다.
"하지만 이 연구가 전 세계 고고학 분야에서 딥러닝 기반 3D 데이터 형태 분류의 출발점이 되기를 바랍니다."
Publication details
Wataru Tatsuda et al, Deep learning-based morphological classification of ceramics: A case study of 3D point cloud analysis for Sue ware, Japan, Journal of Archaeological Science (2026). DOI: 10.1016/j.jas.2026.106472
Journal information: Journal of Archaeological Science
Provided by Nagoya University
***
결국 고고학도가 훈련시킨 방식에 따른 결과치를 보여줄 뿐이다.
사발이건 접시건 솔까 그 구분이 왜 중요한지 나는 도통 모르겠다. 저들이 사발 따로 접시 따로 만들었을까? 몹시도 회의적이다.
따로 만들었다한들 기능이 달랐을까? 나는 다르지 않았다고 본다.
저거 할 시간에 잔류물 분석하는 편이 훨씬 낫다.
형식편년론이 여전히 고고학 본령이라 확신하는 한국일본고고학 고질의 발로다.
다만 이번 개발은 저런 일로 평생을 소일하는 한일고고학에 그 본질을 이제 기계에 맡기는 시대로 몰아가리라 본다는 점에서 의미 없지는 않다,