📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить. Прошу разобрать полностью

Рост кристалла сверхчистого германия напоминает выпечку капризного суфле: малейший перегрев или лишняя крупинка примеси — и весь слиток годится лишь в переплавку. Такие кристаллы — сердце детекторов, которые ловят редчайшие события: от тёмной материи до двойного бета-распада. Но лишь несколько компаний в мире умеют растить их с высоким выходом, и секреты мастерства передаются десятилетиями.

Теперь на подмогу пришла нейросеть. Её обучили на записях с 48 реальных ростов: каждую минуту фиксировали мощность нагревателя, скорость вытягивания слитка и косвенные признаки загрязнения. Модель с архитектурой BiLSTM и «многоголовым вниманием» научилась по этим сигналам предсказывать, какая доля кристалла окажется пригодной для детекторов. Точность оказалась достаточной, чтобы заметить проблему задолго до конца процесса.

Анализ важности признаков (SHAP) показал: концентрация примесей и скорость вытягивания — два главных фактора, определяющих выход. Это не сюрприз для специалистов, но раньше такие выводы опирались на интуицию, а теперь на измеримую статистику. Практическая польза очевидна: можно заранее менять режим роста, спасая дорогостоящий слиток.

Если метод приживётся, производство сверхчистого германия перестанет быть искусством избранных. Детекторы для поиска частиц тёмной материи и других редких событий станут доступнее, а значит, эксперименты пойдут быстрее. Тот самый случай, когда машинное обучение не заменяет физика-технолога, а даёт ему в руки точный инструмент вместо проб и ошибок.

Оригинальная аннотация

как её написали авторы, на английском arXiv:2602.03721

High-purity germanium (HPGe) crystals underpin some of the most sensitive detectors used in fundamental physics and other high-resolution radiation-sensing applications. Despite their importance, the supply of detector-grade HPGe remains limited because achieving high yield in Czochralski growth (CZ) depends on tightly coupled, nonlinear processes, impurity incorporation, thermal gradients, and dynamic control settings that are largely mastered by only a handful of companies with decades of experience. Here we present a data-driven prediction framework based on a Bidirectional Long Short-Term Memory (BiLSTM) neural network with multi-head attention, trained on time-resolved growth parameters (e.g., heater power, pull rate, and impurity indicators) from 48 independent crystal runs. The model predicts the final detector-grade fraction for each growth and, using SHAP feature-importance analysis, identifies impurity concentration and growth rate as the dominant factors governing yield, consistent with empirical understanding. By providing a quantitative, interpretable link between in-process signals and post-growth detector quality, this framework offers a practical path toward improving yield, reducing dependence on trial-and-error tuning, and scaling HPGe production for next-generation rare-event detectors.