KI und die schwierigen Probleme der Welt · Physik · Nature Machine Intelligence · 2026-09-30
Hin zu Foundation-Modellen für heterogene Neutrinodetektoren an der Energiefrontier durch selbstüberwachtes Pretraining
Originaltitel: Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pretraining
Die Ereignisinterpretation in Neutrino-Detektoren an der Energiegrenze ist für herkömmliche Rekonstruktion unpraktikabel und für überwachte Modelle schwierig, wenn nur wenige annotierte Daten vorliegen. Die Autoren trainieren einen Sparse Vision Transformer mit Masked-Autoencoder-Rekonstruktion und relationalen Zielen auf Voxel-Ebene vor und feintunen ihn anschließend gemeinsam für Klassifikation und Regression. Bei simulierten Ereignissen des vorgeschlagenen FASER-Kalorimeters verbesserte das Vortraining die Identifikation von Flavour und Charm-Quarks, die Impulsregression und die Vertexrekonstruktion, und mit etwa 1,000 annotierten Ereignissen erreichte der vortrainierte Encoder die Flavour-Klassifikationsleistung eines von Grund auf trainierten Modells.