Нейросети в истории алхимии: поиск реальных химических открытий за алхимическими символами

Нейросети в истории алхимии: поиск реальных химических открытий за алхимическими символами

Алхимические манускрипты, созданные на протяжении более чем полутора тысяч лет, представляют собой сложную и запутанную систему знаний. Они сочетают в себе практические лабораторные наблюдения, мистические учения, философские концепции и зашифрованные описания химических процессов. Основная проблема для историков науки заключается в отделении метафорического и символического содержания от реальных экспериментальных данных. Современные технологии искусственного интеллекта, в частности нейронные сети, предлагают новые инструменты для декодирования этих текстов, выявления паттернов и установления связей между алхимической символикой и конкретными химическими веществами и реакциями.

Структура проблемы: почему алхимические тексты трудно анализировать

Алхимические тексты характеризуются рядом особенностей, которые делают их анализ исключительно сложным для традиционных методов исторической науки.

• Намеренная тайна и шифрование: Алхимики часто использовали язык символов, мифологических аллегорий и персонификаций (например, «Брак Солнца и Луны», «Зеленый Лев», «Смерть и воскрешение царя») для описания химических процессов. Это делалось для защиты знаний от непосвященных и для выражения единства материального и духовного миров.
• Отсутствие стандартизации: Один и тот же символ (например, змея, дракон, определенный знак) мог означать разные вещества в разных традициях или даже у разных авторов. И наоборот, одно вещество (ртуть, сера) могло обозначаться десятками различных символов и названий.
• Мультиязычность и временной разброс: Корпус текстов охватывает сочинения на арабском, латинском, древнегреческом, староанглийском, немецком и других языках, созданные с III по XVIII век.
• Контекстуальная зависимость: Значение отрывка часто невозможно понять без учета философских, религиозных и культурных убеждений его автора.

Методология применения нейросетей к алхимическим текстам

Применение искусственного интеллекта в данной области строится на нескольких ключевых подходах, каждый из которых использует разные архитектуры нейронных сетей.

1. Обработка естественного языка (NLP) и анализ текста

Современные языковые модели, такие как BERT, GPT и их аналоги, дообучиваются на корпусе оцифрованных алхимических манускриптов. Их задачи:

• Распознавание именованных сущностей (NER): Автоматическое выявление и классификация упоминаний веществ, аппаратуры, процессов (например, дистилляция, кальцинация) в текстах, несмотря на вариативность написания и метафорические имена.
• Установление семантических связей: Построение векторных представлений слов (word embeddings), которые позволяют вычислить, какие термины и символы часто используются в схожих контекстах. Это помогает сгруппировать различные названия одного вещества.
• Анализ тематического моделирования: Выявление скрытых тем в документах, что позволяет автоматически категоризировать тексты по их содержанию (например, «работа с металлами», «приготовление лекарств», «спиритуалистическая алхимия»).

2. Компьютерное зрение для анализа иллюстраций

Алхимические трактаты богато иллюстрированы. Сверточные нейронные сети (CNN) применяются для:

• Классификации и распознавания повторяющихся визуальных символов (орлы, драконы, короли, печи, аллегорические фигуры).
• Сопоставления визуальных паттернов с текстовыми описаниями, что помогает расшифровать значение изображений.
• Анализа диаграмм и схем процессов, которые могут быть интерпретированы как примитивные лабораторные установки.

3. Сетевой анализ и Knowledge Graphs

На основе данных, извлеченных NLP-моделями, строится семантическая сеть (граф знаний). Узлами в таком графе являются вещества, символы, процессы, авторы, тексты. Ребрами — связи между ними (упоминается в одном контексте, является синонимом, является продуктом реакции). Алгоритмы на графах позволяют:

• Выявлять центральные, наиболее часто используемые концепции.
• Предсказывать вероятные значения неоднозначных символов на основе их связей с уже известными.
• Прослеживать эволюцию терминов и символов во времени.

Конкретные примеры и результаты исследований

Проекты на стыке цифровых гуманитарных наук и ИИ уже демонстрируют значимые результаты.

Пример 1: Проект «The Alchemy of the Corpus» (MIT)

Исследователи использовали методы topic modeling и word embeddings на корпусе из тысяч алхимических текстов. Модель смогла автоматически выделить кластеры терминов, соответствующие реальным химическим практикам. Например, была выявлена устойчивая связь между символами «зеленый лев» (лат. «leo viridis») и контекстами, описывающими процессы растворения металлов в сильных кислотах (например, растворение золота в царской водке), что исторически соотносится с получением хлорной кислоты или других коррозивных веществ.

Пример 2: Расшифровка рецептов

Языковая модель, обученная на параллельных корпусах, где часть текстов была уже расшифрована историками, научилась предлагать интерпретации для зашифрованных рецептов. Например, последовательность действий: «Возьми меркуриального дракона, умертви его, дай ему испить воды возрождения…» может быть интерпретирована моделью как описание цикла растворения и кристаллизации сулемы (хлорида ртути(II)).

Пример 3: Анализ иллюстративных рядов

CNN, проанализировав сотни изображений «философского яйца» (алхимического сосуда), выявила устойчивые визуальные маркеры, которые коррелируют с текстовыми описаниями этапов дистилляции. Это позволило точнее датировать и классифицировать изображения по школам алхимии.

Таблица: Соответствие алхимических символов и веществ, выявленное с помощью анализа данных ИИ

Алхимический символ / название	Наиболее вероятное химическое вещество или процесс	Уверенность модели (на основе контекстного анализа)	Ключевые текстовые паттерны, выявленные ИИ
Зеленый Лев (Leo Viridis)	Концентрированная соляная или азотная кислота, либо продукт коррозии металлов такой кислотой.	Высокая	Сочетание с глаголами «растворять», «пожирать»; описание едких паров; связь с золотом и железом.
Меркурий философов (Mercurius Philosophorum)	Не единое вещество, а класс веществ-катализаторов, часто жидких металлов или их растворов. Реже — сама ртуть.	Средняя (высокая полисемия)	Описание текучести, блеска, летучести; контексты трансмутации; противопоставление «вульгарной» ртути.
Посадка дерева (Plantatio Arboris)	Процесс кристаллизации из раствора, часто металлических солей, с образованием дендритных структур.	Высокая	Описание ветвящихся форм, «роста» из раствора, использования терминов «сад», «ветви».
Ворон (Corvus)	Стадия черного порошка или оксида, часто — продукт начального обжига/кальцинации металла.	Высокая	Почти универсальная ассоциация с черным цветом, «смертью» металла, началом Великого Делания.

Ограничения и этические вопросы

Применение нейросетей в исторической науке имеет свои границы.

• Риск анахронизмов: Модель может неосознанно проецировать современные химические понятия на древние тексты, искажая их первоначальное восприятие.
• Зависимость от качества данных: Результаты напрямую зависят от объема и точности оцифрованных текстов. Многие рукописи еще не переведены или не оцифрованы.
• «Черный ящик»: Решение, предложенное нейросетью, особенно сложной архитектуры, может быть трудным для интерпретации и проверки историком.
• Потеря герменевтики: Алгоритмический анализ может упускать тонкие философские и культурные нюансы, которые историк улавливает при глубоком чтении.

Таким образом, нейросети являются не заменой эксперта-историка, а мощным инструментом для работы с большими данными, который выдвигает гипотезы, выявляет скрытые закономерности и обрабатывает объем информации, недоступный для человеческого анализа за разумное время.

Заключение

Интеграция нейронных сетей в исследование алхимических текстов открывает новую эру в истории науки. Эти технологии позволяют систематизировать гигантский корпус данных, количественно оценивать использование символов и терминов, строить карты концептуальных связей и предлагать научно обоснованные интерпретации зашифрованных рецептов. В результате «магическая» составляющая алхимии постепенно отделяется от ее реального экспериментального ядра, демонстрируя преемственность между алхимическим искусством и современной химией. Нейросети выступают в роли моста между древним символическим языком и современным научным методом, помогая восстановить и оценить практические знания, накопленные веками.

Ответы на часто задаваемые вопросы (FAQ)

Могут ли нейросети полностью автоматически расшифровать все алхимические тексты?

Нет, не могут. Нейросети являются инструментом поддержки принятия решений. Они выявляют статистические закономерности, кластеризуют данные и предлагают гипотезы. Окончательная интерпретация, проверка на историческую достоверность и учет культурного контекста остаются за экспертами-историками и филологами. Полная автоматизация невозможна из-за принципиальной многозначности и контекстуальной зависимости алхимического языка.

Какие именно архитектуры нейронных сетей наиболее применимы в этой области?

• Для текста: Трансформеры (BERT, GPT, их аналоги и производные), дообученные на исторических корпусах. Также используются более простые модели типа Word2Vec для векторных представлений слов и LSTM для анализа последовательностей.
• Для изображений: Сверточные нейронные сети (CNN), такие как ResNet, VGG, для классификации и распознавания визуальных символов.
• Для анализа связей: Графовые нейронные сети (GNN) для работы со структурированными знаниями, извлеченными из текстов.

Приводят ли такие исследования к новым химическим открытиям?

Прямые химические открытия маловероятны, так как алхимия оперировала в основном уже известными сегодня веществами и реакциями. Однако ценность заключается в исторических открытиях: понимании того, как и когда были впервые описаны те или иные процессы (например, получение чистых кислот, методы очистки металлов, ранние формы катализа), как передавались и трансформировались технологические знания. Это позволяет переписать историю химии, сделав акцент на преемственности практик.

Как ИИ справляется с намеренным обманом и ложными путями в алхимических текстах?

Нейросети, анализируя большие массивы текстов, могут выявлять внутренние противоречия и отклоняющиеся от основной традиции описания. Если определенный «рецепт» не имеет корреляций с какими-либо практическими описаниями и существует в единичном экземпляре как набор абсурдных действий, модель может пометить его как аномалию. Однако различение намеренной дезинформации и символического описания остается сложной задачей, требующей экспертного вмешательства.

Доступны ли подобные инструменты и базы данных для независимых исследователей?

Да, ряд проектов имеет открытый доступ. Например, цифровые коллекции библиотек (например, Библиотека Хантингтона, Химическое наследие США), а также специализированные проекты, такие как «The Chymistry of Isaac Newton» (Университет Индианы) или «Alchemy» (Библиотека Веллкома), предоставляют оцифрованные рукописи. Некоторые исследовательские группы выкладывают в открытый доступ обученные модели и код для анализа, что способствует развитию открытой науки в области цифровых гуманитарных исследований.