Seit 1901 stellt die Datierung von Leibniz' handschriftlichen Seiten eine enorme Herausforderung dar: Viele Dokumente sind undatiert, traditionelle Methoden wie Experteneinschätzung oder Papier-Wasserzeichenanalyse zu langsam. Wir untersuchen, ob Deep-Learning-Bildmodelle diese Lücke schließen können. Ziel ist die feingranulare Datierung anhand des Schreibstilwandels von Leibniz über fast fünf Jahrzehnte – anders als in bisherigen Studien zur Handschriftenaltersbestimmung, die oft verschiedene AutorInnen vergleichen. Etwa 600 Seiten (1669–1716) mit dokumentierten Datierungen bilden unser Jahrgangskorpus. Modelle wie CNNs und Vision Transformer helfen binarisierte und normalisierte Bilddaten zu untersuchen und externe Faktoren wie Papierstruktur zu ignorieren. Das übergreifende Ziel ist, KI-Ansätze praktikabel in die editorische Arbeit zu integrieren – mit offen freigegebenen Modellen und Skripten unter FAIR-Prinzipien.