تخيّل خطّ إنتاجٍ تندفع عبره 30 مليون طردٍ كل ثانية، وعلى المراقب أن يقرر فورًا ما بداخل كلٍّ منها: بضاعة ثمينة أم نفايات؟ في مصادم الهدرونات الكبير، هذا الخط هو مُشغِّل تجربة LHCb، الذي ينتقي الاضمحلالات النادرة للجسيمات من بين مليارات التصادمات. سابقًا، كان المراقب مجموعة قواعد بسيطة: إذا تجاوزت الإشارة عتبةً معينة، فالجسيم يشبه ميونًا أو إلكترونًا. لكن القواعد كانت تسمح بمرور الكثير من النفايات، وأحيانًا كانت الإشارات الثمينة تضيع.

الآن، حلت الشبكات العصبية محل القواعد: مراقبون قابلون للتدريب يرون ليس مؤشرًا واحدًا بل الصورة كاملة. ولكي لا تنشغل الشبكة بالضوضاء ولا تعتبر التقلبات العشوائية إشارةً، قُيّدت حساسيتها: حتى لو تغيّرت بيانات الدخل قليلًا، فلن يتذبذب الخرج. هذا مثل مراقبٍ بيدٍ ثابتة لا يرتجف عند كل حفيف. يُفرض التقييد عبر تسوية الأوزان: كل وزن في الطبقة الأولى مقيد بشكل فردي، بينما في الطبقات اللاحقة يُقيَّد مجموع الأوزان الداخلة إلى العصبون. وتفعيلات GroupSort لا تزيد الحساسية، لذا يبقى سلوك الشبكة متوقعًا.

تم التدريب على أحداث مُحاكاة: الإشارة كانت اضمحلالات J/ψ وΥ(1S) إلى زوجين من اللبتونات، والخلفية كانت بروتونات للميونات، وبيونات مع كاونات للإلكترونات. خضعت متغيرات الدخل لتحجيم إلى المجال من 0 إلى 1. بالنسبة للميونات، تلقت الشبكة خمسة متغيرات: مربع كاي لمطابقة المسار مع ضربات محطات الميون، ومجموع مربعات البواقي، وثلاثة فروق في ميل المسار بين الكواشف الفرعية. أما للإلكترونات، فستة متغيرات: تقديران لنسبة الطاقة إلى الزخم، ومربع المسافة بين المسار المُستقرأ ومركز العنقود، وثلاث عزوم لشكل الدش في المسعر. كانت الشبكات صغيرة جدًا: حوالي 500 معامل، أي نحو 2 كيلوبايت بدقة مفردة. وهي تضيف لكل مسار 24–28 بايت فقط من البيانات.

النتيجة فاقت التوقعات. عند نفس كفاءة الإشارة، تكبت الشبكات العصبية الخلفية أفضل من الخوارزميات العتبوية السابقة في جميع المناطق الحركية المدروسة. بالنسبة للميونات، يكون الربح أقصى عند العزوم المتوسطة والعالية، حيث يمر معظم المسارات بعد الانتقاء؛ وعند العزوم المنخفضة يكون الفرق ضئيلًا. أما للإلكترونات، فالتحسن أوضح ما يكون عند العزوم المنخفضة، حيث يكون دقة طاقة المسعر أسوأ ويكون المؤشر الفردي E/p ضعيفًا. الشبكة شبه مستقلة عن السرعة الزائفة والعزم المستعرض. ويُظهر تحديد ملف تعريف لتسلسل HLT1 النموذجي أن نواتي تعريف الميون والإلكترون تستهلكان 0.5–0.9% من إجمالي زمن GPU، أي أقل من المؤثرات العتبوية التي تستبدلانها.

قبل هذا العمل، كان من غير الواضح ما إذا كان يمكن ضغط تعريف اللبتونات بالشبكات العصبية في الميزانية الصارمة لمُشغِّل GPU دون فقدان السرعة والموثوقية. الآن تبيّن أنه ممكن. بتقييد حساسية الشبكة عبر تسوية الأوزان وتفعيلات GroupSort، ثم تدريبها على إشارات وخلفيات مُحاكاة، أمكن تحسين كبت الخلفية في جميع المناطق الحركية، مع استهلاك أقل من 1% من زمن GPU. يمكن تطبيق هذا النهج في أي أنظمة انتقاء الأحداث التدفقية التي تحتاج تصنيفًا سريعًا ومستقرًا: من كواشف أخرى في المصادمات إلى حساسات صناعية. لقد أصبح المراقب على خط الإنتاج أذكى، لكنه لم يفقد ثبات يده.