Нейросети в истории алхимии: анализ текстов на предмет скрытых химических знаний

Нейросети в истории алхимии: анализ текстов на предмет скрытых химических знаний

Алхимические тексты, созданные в период с античности до XVII-XVIII веков, представляют собой сложный и многогранный объект для историко-научного исследования. Их содержание включает философские рассуждения, мистические символы, практические лабораторные рецепты и описания веществ, закодированные в эзотерической и аллегорической форме. Традиционные методы анализа этих текстов сталкиваются с проблемами субъективной интерпретации, огромного объема материала и трудности выявления скрытых паттернов. Применение современных нейронных сетей и методов обработки естественного языка открывает новые возможности для систематического, масштабного и объективного исследования этого корпуса, позволяя выявлять скрытые химические знания, эволюцию терминологии и связи между авторами и трактатами.

Специфика алхимического корпуса текстов как объекта анализа

Алхимические тексты характеризуются набором уникальных особенностей, которые необходимо учитывать при построении моделей искусственного интеллекта.

• Полиязычность и историческая изменчивость языка: Корпус включает тексты на латыни, арабском, древнегреческом, средневековых европейских языках. Термины меняли значение со временем (например, «ртуть» могла означать как конкретное вещество, так и философский принцип).
• Использование синонимии и кодирования: Одно вещество могло иметь десятки названий («философский камень» — Lapis Philosophorum, красный лев, эликсир, тинктура). Процессы описывались через аллегории (свадьба короля и королевы, смерть и воскрешение).
• Смесь практического и теоретического: В одном тексте могут соседствовать точные описания оборудования (алембик, печь) и мистические рассуждения.
• Проблема атрибуции и псевдоэпиграфики: Многие тексты приписаны легендарным авторам (Гермесу Трисмегисту, Раймунду Луллию), что затрудняет установление хронологии и авторского стиля.

Методы и подходы: от NLP к нейросетям

Анализ алхимических текстов с помощью ИИ строится на последовательном применении технологий обработки естественного языка (NLP) и машинного обучения.

1. Оцифровка и предобработка текстов

Первым этапом является создание машинно-читаемого корпуса. Это включает сканирование рукописей и старопечатных книг, распознавание символов (OCR), транскрибирование и нормализацию орфографии. Для древних языков и специальных символов (алхимические знаки) часто требуется ручная проверка.

2. Семантический анализ и распознавание сущностей (NER)

Современные модели на основе архитектур типа BERT или GPT, предобученные на исторических корпусах, могут быть дообучены для распознавания в тексте ключевых сущностей:

• Вещества: Сера, ртуть, соли, купорос, «зеленый лев» (возможно, железный купорос).
• Процессы: Дистилляция, кальцинация, сублимация, ферментация.
• Оборудование: Атанор, реторта, пеликан.
• Концепты: Трансмутация, квинтэссенция, первоматерия.

NER помогает автоматически индексировать тексты, создавая базу данных упоминаний веществ и операций.

3. Векторное представление слов (Word Embeddings) и анализ аналогий

Алгоритмы Word2Vec, GloVe или их нейросетевые аналоги преобразуют слова в числовые векторы. Семантически близкие слова оказываются ближе в векторном пространстве. Это позволяет:

• Выявлять синонимы: если модель показывает, что векторы слов «зеленый лев» и «купорос» близки в множестве текстов, это дает гипотезу об их тождественности.
• Отслеживать изменение значений: как вектор слова «ртуть» смещается в семантическом пространстве от мистического принципа к конкретному химическому элементу в текстах разных эпох.

4. Тематическое моделирование

Нейросетевые методы тематического моделирования (например, на основе автоэнкодеров) позволяют автоматически выделять скрытые темы в большом массиве текстов. Это помогает классифицировать трактаты по их содержанию:

• Тема 1: Практическая металлургия и получение сплавов.
• Тема 2: Дистилляция и получение летучих веществ.
• Тема 3: Спиритуально-мистические аллегории.
• Тема 4: Фармацевтическая алхимия (ятрохимия).

Анализ распределения тем во времени показывает эволюцию алхимической мысли.

5. Генерация и завершение текстов

Модели типа GPT, дообученные на алхимических текстах, могут использоваться не для создания новых трактатов, а для исследовательских целей:

• Заполнение лакун в поврежденных рукописях с учетом контекста.
• Проверка гипотез: если модель, обученная на текстах до Парацельса, после «прочтения» его работ начинает по-новому ассоциировать термины, это указывает на его влияние.

Конкретные примеры выявления химических знаний

Нейросетевой анализ позволяет переводить аллегорические описания в конкретные химические процессы. Ниже приведена таблица с примерами интерпретаций.

Алхимический образ / описание	Возможная химическая интерпретация	Как может быть выявлено с помощью ИИ
«Свадьба Красного Короля и Белой Королевы»	Соединение золота (король) и серебра (королева) для получения сплава, возможно, этап в получении «золота» алхимиков.	Совместное появление в текстах, где также упоминаются «плавильня», «сплав», «руда». Кластеризация контекстов.
«Убийство и воскрешение дракона»	Повторяющиеся процессы растворения и выделения металла (часто ртути) из руды или соединений.	Анализ последовательности действий в рецептах, где за «убийством» следует «очищение» и «возгонка».
«Зеленый лев, пожирающий солнце»	Действие крепкой водки (азотной кислоты, получаемой из железного купороса — «зеленого льва») на золото («солнце»).	NER идентифицирует «зеленый лев» и «солнце» как сущности. Поиск текстов, где они встречаются вместе с глаголами «растворять», «разъедать».
«Полёт белого лебедя»	Сублимация хлорида аммония (нашатыря), образующего белые пары.	Ассоциация слов «лебедь», «белый», «полёт» с терминами «возгонка», «кристаллы», «пар» в рамках векторных моделей.

Анализ сетей влияния и эволюции идей

С помощью графовых нейронных сетей можно построить и проанализировать сеть цитирования и заимствования между трактатами. Узлы графа — тексты или авторы, ребра — семантическая близость или прямое цитирование. Это позволяет:

• Выделить ключевые, наиболее влиятельные тексты-«хабы».
• Проследить передачу конкретных практических рецептов (например, способа получения минеральных кислот) сквозь века.
• Объективно определить границы между школами алхимии (арабская, западноевропейская, ятрохимическая).

Проблемы и ограничения метода

• Качество данных: Ошибки OCR, физическая утрата фрагментов текстов, вариативность написания.
• Риск «галлюцинаций» модели: Нейросеть может выявить ложные паттерны, не имеющие исторического или химического основания. Требуется валидация экспертами.
• Интерпретируемость: Сложно понять, на каком именно основании нейросеть сделала тот или иной вывод о связи терминов. Это «черный ящик».
• Необходимость междисциплинарности: Без участия историков науки, филологов и химиков результаты анализа могут быть некорректно истолкованы.

Перспективы развития направления

• Мультимодальный анализ: Объединение анализа текста с распознаванием изображений (гравюр, символов, схем аппаратов) в единую модель.
• Создание специализированных ИИ-инструментов: Интерактивные платформы для историков, позволяющие осуществлять семантический поиск по алхимическим корпусам с учетом синонимии.
• Реконструкция экспериментов: Попытка перевода текстовых описаний, проанализированных ИИ, в формализованные лабораторные протоколы для исторической реконструкции.

Заключение

Применение нейронных сетей для анализа алхимических текстов представляет собой мощный инструмент, дополняющий традиционные герменевтические методы. Он позволяет проводить масштабные, количественные исследования, выявлять скрытые связи и эволюцию понятий, систематизировать огромный корпус знаний. Ключевым результатом является не автоматическая расшифровка алхимии, а генерация проверяемых гипотез о соответствии между эзотерическим языком и реальными химическими процессами. Это способствует более глубокому пониманию алхимии как сложного феномена, находившегося на стыке практической химии, натурфилософии и духовных учений, и позволяет точнее проследить преемственность между алхимическим и научно-химическим периодами в истории науки.

Ответы на часто задаваемые вопросы (FAQ)

Может ли ИИ самостоятельно «расшифровать» все алхимические тексты?

Нет. ИИ не обладает пониманием в человеческом смысле. Он является инструментом для выявления статистических закономерностей, паттернов и связей в больших данных. Интерпретация этих паттернов, их проверка на историческую и химическую достоверность, а также финальный синтез выводов остаются за исследователем-человеком. ИИ генерирует гипотезы, а не окончательные истины.

Какие самые значимые открытия были сделаны с помощью такого анализа?

Пока область находится в стадии активного развития. К значимым результатам можно отнести:

• Уточнение хронологии и атрибуции текстов на основе стилометрического анализа (The Alchemy Project, University of Toronto).
• Систематическое картирование эволюции терминологии веществ и аппаратов от арабских к латинским текстам.
• Выявление ранее не замеченных текстуальных параллелей между трактатами, считавшимися независимыми.

Можно ли с помощью ИИ найти рецепт философского камня?

С точки зрения современной химии, философский камень как субстанция для трансмутации металлов не существует. Однако ИИ может проанализировать, какие описания, вещества и последовательности операций наиболее часто ассоциируются в текстах с понятием «Lapis Philosophorum». Это позволит лучше понять, какие реальные химические или металлургические процессы могли лежать в основе этих легендарных описаний, либо как конструировался этот центральный миф алхимии.

Какие нейросетевые архитектуры наиболее пригодны для этой задачи?

Для разных подзадач используются разные архитектуры:

• Трансформеры (BERT, GPT): Для NER, анализа контекста, генерации.
• Сверточные нейросети (CNN): Для анализа визуального ряда (иллюстраций, знаков).
• Рекуррентные сети (RNN, LSTM): Для анализа последовательностей в рецептах.
• Графовые нейронные сети (GNN): Для построения сетей влияния между текстами и авторами.

Чаще всего создается комплексный конвейер из нескольких моделей.

Где можно найти оцифрованные корпуса алхимических текстов для анализа?

Крупные проекты по оцифровке включают:

• «The Chymistry of Isaac Newton» (Университет Индианы).
• «The Alchemy Website» (Амстердамская цифровая коллекция).
• «Bibliotheca Philosophica Hermetica» (Амстердам).
• «Digital Collections of the Bavarian State Library» (много алхимических инкунабул).
• «Early English Books Online (EEBO)» и «Gallica» (Национальная библиотека Франции).

Работа с этими корпусами часто требует специальных разрешений и навыков обработки старопечатных текстов.