Умный фильтр для редких частиц экспресс

Оригинал: "Transformer-Based Pulse Shape Discrimination in HPGe Detectors with Masked Autoencoder Pre-training"
arXiv:2603.06192 · 2026-03-06 · CC BY 4.0 · 1 мин
Нейросеть различает слабые сигналы в германиевом детекторе лучше, чем старые методы.

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

В глубине горы, под толщей камня, лежит кристалл германия размером с кулак. Он ждёт редчайшего события: распада атома, который происходит раз в миллиарды лет. Но в кристалле постоянно что-то тикает — космические лучи, следы радиоактивности, тепловой шум. Отделить настоящий сигнал от этого фона — как услышать шёпот на рок-концерте.

Раньше физики слушали только отдельные ноты: измеряли, как быстро нарастает сигнал, сколько энергии выделилось, как долго он затухает. По этим нотам решали, похоже ли событие на искомый распад. Но такой подход терял детали. Теперь на всю звуковую дорожку целиком посадили нейросеть — трансформер, который умеет улавливать тонкие отличия в форме импульса. Он не просто сравнивает числа, а видит весь узор, как опытный музыкант слышит фальшивую ноту в аккорде.

Нейросеть научилась отделять сигнал от шума, даже когда данные размечены лишь частично — как ученик, который сначала сам разбирается в примерах, а потом учитель поправляет его лишь изредка.

Результат удивил: нейросеть нашла на 20% больше настоящих событий, чем старые методы, при том же уровне ложных тревог. А для самых сложных случаев, где сигнал почти сливается с шумом, выигрыш ещё больше. Это значит, что мы можем заглянуть глубже в тайну нейтрино — частицы, которая, возможно, равна своей античастице. Если так, то распад, который ловит детектор, откроет, почему во Вселенной есть вещество, а антивещество исчезло.

Теперь детектор слушает не только громкие ноты, но и весь шёпот Вселенной.

Кристалл германия для такого детектора выращивают месяцами, а потом держат при температуре жидкого азота, чтобы тепловой шум не заглушил слабые сигналы.

Учёные
Paul DiracEmilio Gino SegrèMarie CurieEnrico FermiChien-Shiung Wu
Понятия
размеченные данные вейвлет-преобразование шаблон форма импульса тес