Совершенно неожиданно мне в голову пришла мысль, как можно применить еще один альтернативный метод к разрешению проблем датировки тех или иных событий истории человечества.

Метод этот находится не внутри собственно исторической науки, но и не в сфере математики в буквальном смысле. На помощь может прийти другая несмежная дисциплина - электроника.

Есть такая штука под названием "Нейронные сети". В том числе в Сети есть немало материала, посвященного этой теме.

Если коротко, суть ее в следующем:

В некий программный комплекс скрупулезно вводятся различные данные, относящиеся к поставленной цели. Данные не обязательно систематизированные и не всегда следуют непрерывными последовательностями.

На первоначальном этапе следует вводить сведения, степень достоверности которых максимальна. В этот период проходит сначала обучение, а затем дальнейшее самообучение системы.

По мере наращивания массива данных система уже сама может с возрастающей вероятность указывать на недостоверные данные, попавшие в нее и прогнозировать содержание информации в отсутствующих областях массива.

Если совсем грубо, то введя сведения о температуре поверхности на тысяче точек поверхности ограниченного участка земли, то система сможет выявить те из них, где сведения неверны (и это не обязательно экстремумы) и вычислить с той или иной вероятностью температуру произвольно взятой точки. Алгоритм обработки значительно сложнее просто статистического (насколько я могу судить).

Проект можно было бы развернуть в любом масштабе - от уточнения сугубо локальных дат на ограниченном временном промежутке, до глобально-хронологических масштабов.

Реализация подобного метода, независимо от его размаха, весьма и весьма трудоемка, маловероятно что она под силу одиночке.

К тому же, imho, любой одиночка, проделавший такой титанический труд, автоматически окажется в положении апологетов НХ: если выводы (в любом объеме) будут противоречить классической хронологии, то большинство не сможет понять каким образом они получены в силу недостатка профессиональных знаний, а краткий результат легко подвергается остракизму.

Сама идея мне кажется очень достойной, над практическим воплощением я начну думать. При некоторых обстоятельствах (мне это станет известно примерно через месяц) возможно буду готова к финансированию проекта.

Буду признательна за аргументированные мнения по теме.

Нейросеть указанной функиональностью не обладает.

Общий смысл нейросети примерно такой:
Задан большой набор точек Аi. Между точками в случайном порядке установлены связи. Далее идет обучение. Например нейронная сеть должна уметь складывать числа. Вводится контрольная функция (назовем ее условно сетевое сложение), которая считает либо количество связей у конкретных точек, либо количество связей между двумя точками, длибо длину кратчайшего пути между двумя точками, либо число связей внутри группы точек, либо число связей выходящих за пределы групы точек, либо что-нибудь посложнее. Затем полученный результат подвергается алгоритмизированному преобразованию.Пусть набор точек В соответствует первому слагаемому, а набор точек С - второму слагаемому. На них подается сигнал - посчитать сумму. Считается контрольная функция для точек из B и C. Если результат оператору нравится (значение функции равно ожидаемому оператором), одна или несколько связей между точками фиксируется. Если не нравится - все незафиксированные связи заменяются случайными новыми связями до тех пор, пока ответ не устроит оператора. Далее идет обучение следующей паре чисел и т.д. В итоге после того, как система отработала на нескольких десятках /сотнях/тысячах пар, связи (ранее абсолютно случайные) начали подчиняться определенному закону. Теперь она все чаще дает правильные ответы для ранее не встречавшихся пар чисел. Но так как число связей - миллиарды, система будет изредка давать сбой на незнакомых числах, тем реже, чем более обученной она является.
Итак, нейроная сеть способна ответить только на один типовой вопрос с точностью, которая заложена обучением. Если сеть умеет складывать, ее не обучишь предсказывать погоду. То есть, если сеть умеет отвечать нана вопрос "Кто автор документа"? , ее уже не обучишь говорить "В каком году был написан документ?" или "Как выглядел документ до фальсификации?".
В вашем примере сеть учили предсказывать температуру по широте, долготе и положению на временной шкале. Натренировали на куче точек и куче моментов времени. Сеть теперь способна давать прогноз. Если сравнить прогноз с реально снятой величиной - получим расхождение. Что это - ошибка в прогнозе или фальсификация результата измерения - решает, увы, оператор, а не сеть.

До этой фразы "Что это - ошибка в прогнозе или фальсификация результата измерения - решает, увы, оператор, а не сеть." Я пока не разглядела принципиальной невозможности применения нейросети к решению проблемы. Просто понимаю, что алгоритмы будут, вероятно, более сложны.

А приведенная цитата меня немножко насторожила. Мне представляется не то, что оператор или система решит о правильности полученного прогноза, просто когда прогнозируемое событие наступит, его параметры будут сравнены с данными прогноза и обучение продолжится.

Несомненный плюс НС, с моей точки зрения (это никак не означает что я пришла к однозначному выводу о возможности ее применения), что через какое-то время обучения она уже может распознавать заведомо недостоверные данные при вводе.

Уважаемая Клеопанда Глу!

>До этой фразы "Что это - ошибка в прогнозе или фальсификация
>результата измерения - решает, увы, оператор, а не сеть." Я
>пока не разглядела принципиальной невозможности применения
>нейросети к решению проблемы. Просто понимаю, что алгоритмы
>будут, вероятно, более сложны.

Алгоритмы конечно будут сложнее. Я дал максимально упрощенный пример работы нейросети, чтобы было понятно, как она работает. Из примера понятно, что нейросеть умеет делать прогноз одной величины на основании заложенных в нее данных при отсутствии алгоритмического закона, связывающего эти данные с этой величиной. Построить такую задачу, например, как определить, не ранее какой даты могла быть сделана какая-то вещь на основании того, каков ее химический состав, методика изготовления, точность обработки поверхности и т.п. можно. И сеть будет давать проноз. Только не требуйте, чтобы она одновременно отвечала на вопрос, принадлежала ли эта вещь, например, Иосифу Сталину.

Ваша настороженность не очень понятна. В моем примере к Вам пришла вещь, которую нейросеть датировала "не ранее 1812" года. При этом дендрохронологический и радиоуглеродный метод датирования датировали ее 12 веком до нашей эры. Кто будет решать, какая датировка правильна? Обучать ли нейросеть, чтобы эту вещь она датировала 12 веком до нашей эры или объявить ее радиоуглеродную датировку фальсифицированной? В этом состоял мой вопрос. И мой ответ, что решать придется оператору. У нейросети нет инструмента принятия решений.

Можно, кстати, привести пример более сложной нейросети, решающей хронологическую задачу, приведенную в прошлом абзаце. Опять имеем большое количество точек на некоторой плоскости, имитирующей начальные условия (сенсорная плата). Имеем хронологическую шкалу (моторную плату), состоящую из не менее большого количества точек. Вновь случайным образом установим связи между точками на сенсорной и на моторной плате. На сенсорной плате устанавливаем некую область точек, которая будет говорить о том, что вещь сделана, например из алюминия. Оператор знает, когда был изобретен алюминий и он заставляет сеть перестроиться так, чтобы при активизации сенсорной платы в районе алюминия она всегда указывала на дату его изобретения или на более позднюю дату. Затем область, на которой стоит клеймо алюминиевого завода привязывается к хронологической шкале датой создания завода или датой появления указанного клейма, и т.д. Наша нейросеть теперь будет выглядеть, как электрическая схема с визуализацией. Приложил ток к сенсроной плате (к точкам, отвечающим конкретной вещи), на моторной плате загорелись огонечки на хронологической шкале, начиная с точки, соответствующей комплексу заданных условий. Красиво? Да. но вопрос остался.