Представлена пионерская работа в области изучения химического состава на микропримесном уровне медных археологических монет как информационной основы для выявления особенностей денежного обращения в средневековом государстве.

Проведено междисциплинарное исследование нумизматического материала с Болгарского городища из 98 медных монет, представленного 91 золотоордынской, шестью иноземными монетами того же периода и одной монетой домонгольского времени династии Зенгидов. Статья содержит атрибуцию с изображениями аверса и реверса монет, а также данные археометрического изучения денежных артефактов на предмет химического состава двумя независимыми методами – рентгенофлуоресцентным и эмиссионным спектральным.

На настоящий момент это первое междисциплинарное исследование в нашей стране, охватившее представительную коллекцию медных денег различных правителей и монетных дворов из археологических материалов Болгарского городища. В результате изучения химического состава монет были определены соотношения примесей в медных сплавах, что позволило разделить коллекцию на десять основных групп, включающих монеты различных чеканных дворов и правителей определенной датировки. Определение примесного состава позволяет не только классифицировать монеты по группам, но и выдвигать обоснованные гипотезы о географическом расположении месторождений меди, использовавшейся для чеканки.

База данных, сформированная по результатам исследования и объединяющая нумизматическую атрибуцию, изображения монет и данные об их химическом составе, опубликована как открытый набор данных в репозитории Zenodo и предназначена для применения методов машинного обучения и искусственного интеллекта в задачах автоматической идентификации и провениенс-анализа средневековых монет.

В последнее время активно развивается такое направление машинного обучения, как обучение с подкреплением. Как следствие предпринимаются попытки использования обучения с подкреплением для решения задач компьютерного зрения, в частности для решения задачи классификации изображений. Задачи компьютерного зрения являются на сегодняшний день одними из наиболее актуальных задач искусственного интеллекта.

В статье предложен метод классификации изображений в виде глубокой нейронной сети с использованием обучения с подкреплением. Идея разработанного метода сводится к решению задачи о контекстном многоруком бандите с помощью различных стратегий достижения компромисса между эксплуатацией и исследованием и алгоритмов обучения с подкреплением. Рассмотрены такие стратегии, как -жадная, -softmax, -decay-softmax и метод UCB1, и такие алгоритмы обучения с подкреплением, как DQN, REINFORCE и A2C. Проведен анализ влияния различных параметров на эффективность работы.