📄 Mostrando la versión "Simple" — "Avanzado" aún no está lista. Añádelo a favoritos para ayudar a priorizarla. Pedir el análisis completo

En las profundidades de una montaña, bajo toneladas de roca, yace un cristal de germanio del tamaño de un puño. Espera el evento más raro: la desintegración de un átomo que ocurre una vez cada miles de millones de años. Pero en el cristal algo siempre está haciendo tictac: rayos cósmicos, trazas de radiactividad, ruido térmico. Separar la señal real de ese fondo es como oír un susurro en un concierto de rock.

Antes, los físicos escuchaban solo notas sueltas: medían qué tan rápido crecía la señal, cuánta energía se liberaba, cuánto tardaba en extinguirse. Con esas notas decidían si el evento se parecía a la desintegración buscada. Pero ese enfoque perdía detalles. Ahora, han puesto una red neuronal a escuchar la pista de audio completa: un transformador capaz de captar diferencias sutiles en la forma del pulso. No solo compara números, sino que ve todo el patrón, como un músico experimentado oye una nota falsa en un acorde.

El resultado sorprendió: la red neuronal encontró un 20% más de eventos reales que los métodos antiguos, con el mismo nivel de falsas alarmas. Y para los casos más difíciles, donde la señal casi se funde con el ruido, la ventaja es aún mayor. Esto significa que podemos mirar más profundamente en el misterio del neutrino, la partícula que quizás es igual a su antipartícula. Si es así, la desintegración que capta el detector revelará por qué en el universo hay materia y la antimateria desapareció.

Ahora el detector no solo escucha las notas fuertes, sino todo el susurro del universo.

Resumen original

tal como lo escribieron los autores, en inglés arXiv:2603.06192

Pulse-shape discrimination (PSD) in high-purity germanium (HPGe) detectors is central to rare-event searches such as neutrinoless double-beta decay (0vBB), yet conventional approaches compress each waveform into a small set of summary parameters, potentially discarding information in the full time series that is relevant for classification. We benchmark transformer-based models that operate directly on digitised waveforms using the Majorana Demonstrator AI/ML data release. Models are trained to reproduce the collaboration-provided accept/reject labels for four standard PSD cuts and to regress calibrated energy. We compare supervised training from scratch, masked autoencoder (MAE) self-supervised pre-training followed by fine-tuning, and a feature-based gradient-boosted decision tree (GBDT) baseline. Transformers outperform GBDT across all PSD targets, with the largest gains on the most challenging labels and on the combined PSD-pass definition. MAE pre-training improves sample efficiency, reducing labelled-data requirements by factors of 2-4 in low-label regimes. For energy regression, both transformer variants show a small common underestimation on the test split, while fine-tuning modestly narrows the residual distribution. These results motivate follow-up studies of robustness across detectors and operating conditions and of performance near QBB.