Рентгеновские детекторы устроены подобно пчелиным сотам: в шестиугольных ячейках то здесь, то там регистрируются вспышки — следы попадания отдельных фотонов. Традиционные алгоритмы вынуждены растягивать эту естественную гексагональную структуру на прямоугольную сетку, что порождает артефакты — ложные призраки поляризации, искажающие реальную картину. Исследователи применили нейросеть, которая "живёт по законам сот": она напрямую обрабатывает данные в их исходной гексагональной геометрии, не разрушая природный узор расположения ячеек.

Сеть обучалась исключительно на неполяризованных данных — таких, где никакого "танца" (то есть выделенного направления колебаний) нет. Однако, применив техники вращения и усреднения, алгоритм научился подавлять собственные систематические искажения и проявил слабые колебания поляризации — те самые сигналы, которые требовалось извлечь. Примечательно, что точность восстановления поляризационных характеристик на каждом отдельном треке (следе частицы) оказалась выше, чем у классического метода, но общая картина поляризации по всему полю вышла хуже. Локальный успех ещё не гарантирует глобальной правоты: нейросеть может прекрасно справляться с единичными событиями, но ошибаться в воссоздании крупномасштабной структуры.

Такой подход не только открывает путь к более точным измерениям поляризации от нейтронных звёзд и чёрных дыр, но и помогает выявлять скрытые ошибки машинного обучения, когда алгоритм, сам того не осознавая, генерирует правдоподобные, но ложные сигналы.