Los detectores de partículas, como las cámaras planas resistivas (RPC), funcionan como trampas sensibles: cuando una partícula cargada los atraviesa, se genera una señal eléctrica. Pero a veces la cámara produce un rastro falso, como si alguien invisible hubiera pulsado el timbre. Estas señales falsas confunden el panorama y dificultan determinar con precisión hacia dónde se dirigía la partícula.

Los científicos recopilaron datos de una cámara RPC y de tres centelleadores auxiliares que servían como referencia confiable. Para cada señal, calcularon 15 números simples: el tamaño del cúmulo (cuántos puntos vecinos se activaron), el ancho y el valor promedio de la distribución en tiempo y en carga. Estos números son como la altura, el peso y el modo de andar de una persona: permiten distinguir un rastro real de uno falso. Luego, tres algoritmos diferentes de aprendizaje automático se entrenaron con estas características: una red neuronal profunda, una red convolucional unidimensional y el gradiente boosting XGBoost.

Los tres modelos funcionaron bien, pero XGBoost resultó ser el más confiable con datos nuevos. El análisis mostró que lo principal es el tamaño del cúmulo y la forma de la señal en el tiempo. Esto significa que, incluso sin equipos complejos, se pueden filtrar las interferencias de manera rápida y precisa. Este enfoque será útil para detectores que operan sin un disparador externo y deben decidir por sí mismos qué considerar un evento real.