Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pre-training
Este artículo presenta un marco de visión por transformers (ViT) escaso que utiliza pre-entrenamiento auto-supervisado para generar representaciones reutilizables en detectores de neutrinos heterogéneos de frontera energética, demostrando mediante simulaciones de FASERCal que mejora significativamente la eficiencia de datos, la precisión en tareas de reconstrucción y la transferencia a otros sistemas de detección en comparación con los enfoques convencionales.