Нейтринный детектор учится слышать шёпот экспресс

Оригинал: "Deep-learning-based low-energy trigger algorithms for the Hyper-Kamiokande experiment"
arXiv:2605.31391 · 2026-05-29 · CC BY 4.0 · 1 мин
Нейросеть вылавливает редкие частицы в огромном баке с водой, пропуская шум.

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.

Нейтрино — самые лёгкие известные частицы материи, они проходят сквозь Землю насквозь, почти ни с чем не взаимодействуя.

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.

Энергия 3 МэВ — это в сотни тысяч раз меньше, чем энергия частиц в Большом адронном коллайдере.

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.

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.

Учёные
Paul DiracEmilio Gino SegrèEnrico FermiSubrahmanyan ChandrasekharAlbert EinsteinBarry Barish
Понятия
гипер-камиоканде нейронные сети прогностического обучения суперкамиоканде скорость обучения автоэнкодер бустированное дерево решений резервуарные вычисления реконструкция данных с помощью нейронных сетей классификатор сверхпроводящий детектор обучение методы детектирования частиц межатомный потенциал, обученный машинным обучением распознавание образов размеченные данные самонаблюдаемое обучение рекуррентные нейронные сети обучение с подкреплением глубокая нейронная сеть технология детектирования частиц