По материалам статьи Криштофа Сивека, Тран Хоай Линя, Томаша Гришка и Мациея Стодольски (2026 год).
Еще совсем недавно проверка золотых и серебряных монет казалась делом исключительно опытных коллекционеров, ювелиров или сотрудников банков. Люди взвешивали монеты, рассматривали детали под увеличением, измеряли толщину, а иногда просто подбрасывали монету и прислушивались к ее звону. Настоящие монеты из золота и серебра действительно звучат иначе: у них более чистый, продолжительный и «глубокий» металлический резонанс. Подделки обычно звучат глухо или неестественно. Но сегодня эта старая практика неожиданно получила вторую жизнь благодаря искусственному интеллекту и современным методам анализа звука. Исследователи из Варшавского технического университета и Ханойского университета науки и технологий разработали систему, которая способна определять подлинность инвестиционных монет по их акустическому «отпечатку».
На первый взгляд идея может показаться странной. Как вообще звук способен рассказать, настоящая монета или нет? Но с точки зрения физики здесь все довольно логично. Любой металлический предмет обладает собственными вибрационными характеристиками. Когда по монете ударяют твердым предметом, она начинает колебаться. Частоты этих колебаний зависят от массы монеты, состава металла, плотности материала, геометрии и даже микроскопических особенностей чеканки. По сути, каждая монета имеет собственный «голос». И если человеческое ухо способно уловить лишь самые грубые различия, то алгоритмы машинного обучения могут анализировать тысячи параметров одновременно.
Авторы исследования отмечают, что современные инвестиционные монеты производятся с колоссальной точностью. Разница в размерах между настоящими и поддельными монетами практически отсутствует. Именно поэтому традиционные методы проверки постепенно становятся менее надежными. Более того, современные подделки иногда настолько визуально выглядят качественно, что даже специалисты не всегда способны отличить их с первого взгляда. Особенно опасны фальшивки с вольфрамовым сердечником. Вольфрам по плотности близок к золоту, поэтому мошенники используют его для создания очень убедительных копий золотых слитков и монет. Внешне такая монета может выглядеть идеально, иметь правильный вес и даже примерно соответствовать размерам оригинала. Но вот ее внутренние физические свойства уже отличаются — а значит, отличается и звук.
Исследователи решили превратить старый тест по звону монеты в полноценную научную процедуру. Для этого монету удерживают в определенной точке и слегка ударяют по ней твердым предметом. Затем микрофон записывает возникающий звук. После этого начинается самое интересное: компьютер раскладывает этот звук на отдельные частоты при помощи быстрого преобразования Фурье. Это математический метод, который позволяет увидеть скрытую структуру звука. В результате появляется своеобразный спектр — карта вибраций монеты.
У настоящих монет в спектре появляются устойчивые резонансные пики. Например, у серебряной инвестиционной монеты «Австралийский Кенгуру» исследователи обнаружили характерные резонансы около 3500 Гц, 3770 Гц, 8648 Гц и 15258 Гц. Эти пики возникают потому, что металл колеблется определенным образом после удара. Причем особенно важно то, что одинаковые монеты демонстрируют очень похожие акустические характеристики. Да, между отдельными экземплярами существуют минимальные различия, связанные с производством, износом или способом удара, но в целом их «акустический профиль» остается стабильным.
Совсем иначе ведут себя подделки. В исследовании описан пример монеты с вольфрамовым сердечником и тонким серебряным покрытием. Визуально такую фальшивку было крайне трудно отличить от оригинала. Однако акустический анализ показал серьезные расхождения. Частоты сместились, некоторые резонансные пики исчезли, а другие изменили амплитуду. Причина проста: вольфрам и серебро обладают разной плотностью, жесткостью и механическими свойствами. Следовательно, и вибрируют они по-разному. Для человеческого слуха эти различия могут быть почти незаметными, но алгоритмы машинного обучения фиксируют их очень точно.
Главную роль в системе играет так называемый автоэнкодер — особый тип нейросети. Его задача заключается не в том, чтобы напрямую отвечать «настоящая монета или поддельная», а в том, чтобы научиться идеально «понимать» структуру звука настоящих монет. Автоэнкодер обучают только на оригинальных экземплярах. Постепенно нейросеть начинает настолько хорошо распознавать их акустические особенности, что может почти идеально восстанавливать их звуковой спектр. Но когда ей дают звук подделки, возникает проблема: нейросеть никогда раньше не сталкивалась с такой структурой данных. Она пытается восстановить спектр, но делает это плохо. Возникает высокая ошибка реконструкции, которая и становится сигналом возможной подделки.
Интересно, что исследователи столкнулись с типичной проблемой современных систем искусственного интеллекта — нехваткой данных. В мире практически не существует открытых библиотек звуков инвестиционных монет. Более того, получить качественные образцы подделок очень сложно. Из-за этого ученым пришлось обучать систему на относительно небольшом наборе записей. Чтобы компенсировать нехватку информации, использовались методы искусственного расширения данных. В записи добавляли шум, меняли громкость, имитировали разные условия записи и различные микрофоны. Это позволяло нейросети учиться работать в реальных условиях, а не только в лабораторной тишине.
Особенно любопытно то, что система не просто проверяет монету на подлинность, но и пытается определить ее тип. Для этого используется дополнительный классификатор. Исследователи обучали систему различать, например, «Австралийского Кенгуру» от «Афинской Совы». Нейросеть выделяла скрытые характеристики звука и на их основе классифицировала монеты. Причем оказалось, что разные серии инвестиционных монет действительно формируют отдельные акустические «облака» в пространстве данных. Иными словами, каждая серия имеет собственную акустическую идентичность.
Однако у системы есть и ограничения. Например, когда исследователи протестировали настоящую серебряную монету «Венский Филармоникер», которая не входила в обучающий набор данных, нейросеть ошибочно сочла ее подделкой. Причина заключается в том, что для алгоритма это была неизвестная структура звука. С точки зрения системы все незнакомое автоматически воспринимается как потенциальная аномалия. Это очень напоминает работу человеческого мозга: мы тоже склонны воспринимать непривычные объекты как подозрительные.
Тем не менее результаты экспериментов выглядят впечатляюще. Подделки с вольфрамовым сердечником система уверенно выявляла благодаря огромной разнице между ожидаемым и фактическим акустическим профилем. Авторы подчеркивают, что особенно важным преимуществом метода является его неинвазивный характер. Монету не нужно плавить, царапать или подвергать химическому анализу. Достаточно короткого звукового теста.
Самое интересное заключается в том, что подобные технологии могут выйти далеко за пределы рынка инвестиционных монет. Исследователи прямо указывают, что аналогичные методы способны использоваться в авиационной промышленности, автомобилестроении и инженерии. По сути, речь идет о новом подходе к диагностике материалов: искусственный интеллект учится «слушать» физические объекты и определять их внутреннее состояние по вибрациям. Возможно, в будущем подобные системы смогут выявлять микротрещины в деталях самолетов, скрытые дефекты металла или повреждения конструкций еще до того, как они станут опасными.
На фоне роста цен на золото и серебро проблема подделок становится особенно актуальной. Чем дороже драгметаллы, тем выше мотивация мошенников создавать все более сложные фальшивки. И здесь искусственный интеллект неожиданно превращается в союзника инвесторов и коллекционеров. По сути, мы наблюдаем рождение новой формы цифровой экспертизы, в которой древний человеческий навык — различать звук металла — соединяется с современными нейросетями и вычислительной мощностью.
Возможно, через несколько лет проверка инвестиционной монеты будет выглядеть очень просто: человек ударит по ней специальным устройством, смартфон запишет звук, а алгоритм за доли секунды сообщит вероятность подлинности. И тогда старый «звон монеты» окончательно превратится из ремесленного навыка в высокотехнологичный инструмент финансовой безопасности.
