La IA y los problemas difíciles del mundo · Física · Nature Machine Intelligence · 2026-09-30
Hacia modelos de estilo fundacional para detectores de neutrinos heterogéneos de frontera energética mediante preentrenamiento autosupervisado
Título original: Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pretraining
La interpretación de eventos en detectores de neutrinos de frontera energética es poco práctica para la reconstrucción convencional y difícil para los modelos supervisados cuando hay pocos datos etiquetados. Los autores preentrenan un Vision Transformer disperso con reconstrucción de autoencoder enmascarado y objetivos relacionales a nivel de vóxel, y luego lo ajustan conjuntamente en clasificación y regresión. En eventos simulados del calorímetro FASER propuesto, el preentrenamiento mejoró la identificación de sabor y de quarks charm, la regresión de momento y la reconstrucción de vértices, y con unos 1,000 eventos etiquetados el codificador preentrenado igualó el rendimiento de clasificación de sabor de un modelo entrenado desde cero.