Les détecteurs de particules, comme les chambres à plaques résistives (RPC), fonctionnent comme des pièges sensibles : lorsqu'une particule chargée les traverse, un signal électrique est généré. Mais parfois, la chambre produit une fausse trace, comme si quelqu'un d'invisible avait appuyé sur la sonnette. Ces signaux parasites brouillent l'image et empêchent de déterminer précisément la trajectoire de la particule.

Les scientifiques ont collecté des données provenant d'une chambre RPC et de trois scintillateurs auxiliaires servant de référence fiable. Pour chaque signal, ils ont calculé 15 nombres simples : la taille du cluster (le nombre de points voisins déclenchés), la largeur et la moyenne des distributions temporelle et de charge. Ces nombres sont comme la taille, le poids et la démarche d'une personne : ils permettent de distinguer une vraie trace d'une fausse. Ensuite, trois algorithmes d'apprentissage automatique ont été entraînés sur ces caractéristiques : un réseau de neurones profond, un réseau convolutif unidimensionnel et le boosting de gradient XGBoost.

Les trois modèles ont bien performé, mais XGBoost s'est révélé le plus fiable sur de nouvelles données. L'analyse a montré que la taille du cluster et la forme temporelle du signal sont les facteurs clés. Cela signifie que même sans équipement complexe, il est possible de filtrer rapidement et précisément les parasites. Cette approche sera utile pour les détecteurs qui fonctionnent sans déclencheur externe et doivent décider eux-mêmes de ce qui constitue un événement réel.