Фотограф снимает ночной лес и пытается поймать в кадр светлячков. Вспышки редкие, слабые, а вокруг — шум ветра и далёкие огни. Примерно так работает огромный детектор Hyper-Kamiokande в Японии: он ловит нейтрино — почти неосязаемые частицы — по крошечным вспышкам света в 260 тысячах тонн воды. Старый способ, простой счётчик попаданий, похож на фотографа, который щёлкает затвором на каждый шорох и почти всегда промахивается.
Авторы новой работы научили нейросеть смотреть на тот же шум иначе. Одна модель тренировалась на реальных сигналах — как если бы фотографу показали сотни снимков со светлячками. В итоге она замечает электрон с энергией 3 МэВ (это примерно как у рентгеновского фотона) в 76,7% случаев. Старый счётчик — лишь в 26,4%. Другая модель, автоэнкодер, училась только на шуме, без единого примера сигнала — и всё равно нашла 31,8% событий. Это как распознать мелодию, зная только тишину.
Обе нейросети работают прямо на видеокарте, обрабатывая каждый кусочек данных меньше чем за миллисекунду. Это быстрее, чем моргает человеческий глаз. Такой «умный затвор» не пропустит редкий сигнал, даже если он приходит из глубин космоса или от взрыва сверхновой где-то в нашей Галактике.
как её написали авторы, на английском arXiv:2605.31391
Modern machine learning techniques have become increasingly important in particle physics because of their powerful pattern-recognition capabilities, including in real-time data acquisition where stringent runtime constraints apply. This paper details the performance of deep-learning-based trigger algorithms for a large water Cherenkov detector such as Hyper-Kamiokande aimed at low-energy neutrino events (below 7 MeV). The performance of custom neural-network supervised classifiers is shown alongside two anomaly-detection approaches trained solely on detector noise: a pure autoencoder and an energy-based model based on Manifold Projection--Diffusion Recovery (MPDR). The supervised model shows signal identification efficiencies of 76.7% for single electrons of 3 MeV kinetic energy, significantly exceeding signal efficiencies obtained from a traditional hit-count-based trigger of 26.4%, as does the MPDR approach with 31.8%. Runtime evaluations on GPU yield per-window inference latencies well below the millisecond scale, indicating that real-time operation is feasible.
Hyper-Kamiokande будет в пять раз больше своего предшественника Super-Kamiokande и сможет замечать нейтрино от сверхновых за миллионы световых лет.
В романе «Ложная слепота» Питера Уоттса нейтрино используют как идеальный канал связи — частицы проходят сквозь что угодно, и детекторы вроде этого могли бы стать приёмниками таких сигналов.