Детекторы частиц, такие как резистивные плоские камеры (RPC), работают как чувствительные ловушки: когда заряженная частица пролетает сквозь них, рождается электрический сигнал. Но иногда камера выдаёт ложный след — как будто кто-то невидимый нажал кнопку звонка. Эти ложные сигналы путают картину и мешают точно определить, куда летела частица.

Учёные собрали данные с одной RPC-камеры и трёх вспомогательных сцинтилляторов, которые служили надёжным ориентиром. Для каждого сигнала они вычислили 15 простых чисел: размер кластера (сколько соседних точек сработало), ширину и среднее значение распределения по времени и по заряду. Эти числа — как рост, вес и походка человека: по ним можно отличить настоящий след от ложного. Затем три разных алгоритма машинного обучения учились на этих признаках: глубокая нейросеть, одномерная свёрточная сеть и градиентный бустинг XGBoost.

Все три модели хорошо справились, но XGBoost оказался самым надёжным на новых данных. Анализ показал: главное — размер кластера и форма сигнала во времени. Это значит, что даже без сложной аппаратуры можно быстро и точно отсеять помехи. Такой подход пригодится для детекторов, которые работают без внешнего триггера и вынуждены сами решать, что считать настоящим событием.