📄 Version "Simple" affichee, "Avancé" n est pas encore prete. Ajoutez-le aux favoris pour aider a la prioriser. Demander l’analyse complète

Au plus profond d'une montagne, sous une épaisse couche de roche, repose un cristal de germanium de la taille d'un poing. Il attend l'événement le plus rare : la désintégration d'un atome qui ne se produit qu'une fois par milliards d'années. Mais dans le cristal, quelque chose cliquette en permanence — rayons cosmiques, traces de radioactivité, bruit thermique. Distinguer le vrai signal de ce bruit de fond, c'est comme entendre un murmure lors d'un concert de rock.

Autrefois, les physiciens n'écoutaient que des notes isolées : ils mesuraient la rapidité avec laquelle le signal montait, l'énergie libérée, la durée de l'extinction. Sur la base de ces notes, ils décidaient si l'événement ressemblait à la désintégration recherchée. Mais cette approche perdait des détails. Désormais, on a installé un réseau de neurones sur toute la piste sonore — un transformeur capable de saisir des différences subtiles dans la forme de l'impulsion. Il ne se contente pas de comparer des chiffres, il voit tout le motif, comme un musicien expérimenté entend une fausse note dans un accord.

Le résultat a surpris : le réseau de neurones a trouvé 20% de plus d'événements réels que les anciennes méthodes, avec le même taux de fausses alertes. Et pour les cas les plus difficiles, où le signal se confond presque avec le bruit, le gain est encore plus important. Cela signifie que nous pouvons sonder plus profondément le mystère du neutrino — la particule qui est peut-être égale à son antiparticule. Si c'est le cas, la désintégration que le détecteur capture révélera pourquoi l'Univers contient de la matière, alors que l'antimatière a disparu.

Désormais, le détecteur n'écoute pas seulement les notes fortes, mais aussi tout le murmure de l'Univers.

Résumé original

tel que rédigé par les auteurs, en anglais 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.