🔬 physics

Exploiting the latent space of deep AutoEncoders for the identification of signal pulses in noisy time-series

Este artículo propone un método basado en datos que utiliza autoencoders variacionales convolucionales para identificar pulsos de señal en series temporales ruidosas mediante el mapeo de formas de onda a un espacio latente comprimido, donde las regiones correspondientes al ruido puro se aíslan para etiquetar eficazmente candidatos a señales para la detección de retrocesos nucleares de baja energía en Cámaras de Proyección Temporal de Argón Líquido.

Autores originales: Gioacchino Alex Anastasi, Sebastiano Francesco Albergo, Marzio De Napoli, Noemi Pino, Sebastiana Maria Puglia, Alessia Rita Tricomi

Publicado 2026-07-15

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Gioacchino Alex Anastasi, Sebastiano Francesco Albergo, Marzio De Napoli, Noemi Pino, Sebastiana Maria Puglia, Alessia Rita Tricomi

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando encontrar un susurro diminuto y único en una habitación que está constantemente llena del estático caótico y crepitante de mil radios viejas. Ese es el desafío que enfrentan los científicos que buscan la Materia Oscura. Están buscando "partículas fantasma" llamadas WIMPs que podrían chocar contra los átomos, creando un destello de luz tenue y retardado. Pero en sus gigantescos tanques de argón líquido, este pequeño señal a menudo es ahogado por el ruido electrónico aleatorio que se parece sospechosamente a una señal real.

El artículo que estás leyendo propone una forma ingeniosa y basada en datos para resolver este problema de "una aguja en un pajar" utilizando un tipo de inteligencia artificial llamada Autoencoder Convolucional Variacional. Piensa en esta IA no como un detective buscando pistas, sino como un maestro chef que aprende a reconocer exactamente el sabor del "ruido" tan bien que puede detectar instantáneamente cualquier cosa que no sepa a ruido.

La Cocina de Entrenamiento

Para enseñar a esta IA, los investigadores no solo la alimentaron con datos reales; prepararon un lote masivo de 7.500 formas de onda sintéticas (datos simulados) para entrenar el modelo, y luego guardaron otras 7.500 para probarlo.

Así es como prepararon la comida:

El Ruido: Crearon un fondo desordenado añadiendo y restando aleatoriamente 100 pulsos independientes y diminutos. Esto crea un estático fluctuante que a veces puede parecer tan fuerte como una señal real.
La Señal: Añadieron un tipo de pulso específico (con forma de curva log-normal) que imita el destello de luz real de un impacto de Materia Oscura.
El Desafío: Hicieron que la señal variara drásticamente en intensidad. Algunos eran enormes, pero otros eran tan tenues que apenas estaban por encima del nivel de ruido, hasta el nivel de un solo electrón.

El trabajo de la IA era mirar estas ondas de series temporales de 10.000 muestras, comprimirlas en un resumen diminuto y luego intentar reconstruir la onda original perfectamente. Este proceso se llama Autoencoder.

El "Aplastamiento" y el Mapa Secreto

Normalmente, cuando se comprime una imagen compleja en un archivo diminuto, se pierden detalles. Pero esta IA es especial. Utiliza un enfoque Variacional, lo que significa que, en lugar de solo memorizar los datos, aprende la probabilidad de cómo son los datos.

Imagina que la IA tiene un mapa mágico (llamado espacio latente).

Cuando la IA ve una forma de onda que es puro ruido, no coloca el punto de forma aleatoria en el mapa. En su lugar, lo deposita consistentemente en un vecindario específico y concurrido. Es como si cada vez que escuchas un tipo específico de estática, tu cerebro supiera exactamente dónde ubicar ese sonido en tu memoria.
Cuando la IA ve una forma de onda con un pulso de señal real, incluso uno diminuto, el punto en el mapa se aleja de ese vecindario de ruido concurrido. Cuanto más fuerte es la señal, más lejos viaja del centro.

Los investigadores descubrieron que después de 150 épocas (rondas de entrenamiento), la IA había aprendido este mapa perfectamente. Las formas de onda de "solo ruido" formaron un grupo denso y apretado. Cualquier onda con una señal, por pequeña que fuera, se alejaba de este grupo.

La Regla de la "Distancia"

Entonces, ¿cómo encuentran las señales? Inventaron una regla simple basada en la distancia.

Encontraron el centro exacto del "vecindario de ruido" (el centroide de ruido).
Dibujaron un círculo alrededor de él. El radio de este círculo se estableció de modo que el 99% de todas las ondas de ruido puro caigan dentro de él. Esto significa que solo hay un 1% de probabilidad de que una onda de ruido caiga accidentalmente fuera y sea identificada falsamente como una señal (un "Falso Positivo").
Si una nueva onda desconocida cae fuera de este círculo, la IA la etiqueta como una candidata a señal.

Lo que muestran los resultados

Cuando probaron esto en el lote fresco de 7.500 ondas simuladas:

Señales Grandes: Si la señal era fuerte, la IA detectó el 100% de ellas.
Señales Diminutas: A medida que las señales se volvían más pequeñas y cercanas al tamaño de los baches de ruido aleatorio, la IA empezó a perderlas. Esto es de esperar porque si una señal es casi idéntica al ruido, incluso una IA inteligente no puede distinguirlas.
La "Regla del 1%": El método mantuvo con éxito las falsas alarmas bajas, asegurando que cuando dicen "encontramos una señal", están muy seguros de que no es solo un error técnico.

Lo que esto es (y lo que no es)

Es importante saber exactamente qué demuestra este artículo y qué no.

Es una simulación: Los resultados provienen enteramente de datos generados por computadora. El artículo establece explícitamente que este es un "modelo de juguete" y un "benchmark de Monte Carlo". Todavía no han aplicado esto a datos experimentales reales del experimento Recoil Directionality (ReD) en Catania, Italia, aunque ese es el objetivo final.
Descarta la reconstrucción simple: Los autores argumentan que simplemente observar qué tan bien la IA reconstruye la onda (error de reconstrucción) no es la mejor manera de encontrar señales. En su lugar, demostraron que observar dónde se sitúan los datos en el mapa interno de la IA (el espacio latente) es una forma mucho más robusta de separar el ruido de las señales.
No es una solución mágica para todo el ruido: El método depende de que el ruido tenga propiedades específicas y consistentes. Si el ruido en el experimento real cambia drásticamente, el "centroide de ruido" tendría que ser recalculado.

La Conclusión

Este artículo sugiere que, al entrenar a una IA para entender la "forma" del ruido de manera tan profunda que pueda mapearlo a un lugar específico, los científicos pueden crear un filtro altamente eficiente. Este filtro puede detectar los susurros más tenues de la Materia Oscura en el rugido del universo, siempre que el ruido se comporte de la manera que ellos simularon. Es una herramienta prometedora para el proyecto DarkSide, diseñada para ayudarlos a ver lo invisible, pero por ahora, sigue siendo una prueba de concepto muy convincente en el mundo de las simulaciones.

Resumen Técnico: Explotación del Espacio Latente de Autoencoders Profundos para la Identificación de Señales

Planteamiento del Problema
En el contexto de las búsquedas directas de materia oscura mediante detectores de TPC de Argón Líquido de fase dual (LAr TPC), como el experimento Recoil Directionality (ReD), la identificación de señales de retroceso nuclear de baja energía es cada vez más desafiante. Para masas de WIMP por debajo de $\sim$ 1 GeV/ $c^2$ , la señal de centelleo prompt (S1) se vuelve demasiado débil para ser detectada, lo que obliga a depender de la señal de electroluminiscencia retardada (S2). Sin embargo, en estos umbrales de baja energía (unos pocos keV), los pulsos S2 suelen ser comparables en amplitud a las fluctuaciones estocásticas de la línea base, el ruido electrónico y las extracciones espurias de electrones individuales. Los algoritmos tradicionales de búsqueda de pulsos tienen dificultades para distinguir las señales genuinas de este fondo de ruido no gaussiano. El artículo aborda la necesidad de un método basado en datos y no supervisado para identificar estos pulsos de señal de baja amplitud dentro de series temporales largas y ruidosas sin depender de datos de entrenamiento etiquetados para cada intensidad de señal.

Metodología
Los autores proponen un marco de autoaprendizaje (self-supervised) basado en un Autoencoder Convolucional Variacional (VCAE). A diferencia de los autoencoders estándar que mapean las entradas a puntos discretos, el VCAE modela las distribuciones de probabilidad subyacentes de los datos, imponiendo un espacio latente continuo y regularizado.

Generación de Conjunto de Datos Sintéticos: Se generó un conjunto de datos de 15,000 formas de onda sintéticas (10,000 bins temporales cada una) para imitar las condiciones experimentales de ReD. Cada forma de onda $W(t)$ es una superposición de un fondo de ruido no gaussiano $B(t)$ y un pulso de señal con forma log-normal $S(t)$ . El ruido se construye sumando 100 componentes log-normales aleatorios, creando un fondo fluctuante donde los picos espurios pueden igualar o exceder las amplitudes de las pequeñas señales. Las amplitudes de la señal ( $A_S$ ) se muestrearon para abarcar desde 1 hasta $\sim$ 0.001, cubriendo el régimen de fotoelectrón único.
Arquitectura de la Red: El modelo utiliza un VCAE 1D con una dimensión de cuello de botella (bottleneck) de 2.
- Encoder: Tres bloques de capas convolucionales 1D (con activación ReLU) seguidos de AveragePooling1D, reduciendo la longitud de la forma de onda mientras aumenta los canales de características.
- Cuello de Botella (Bottleneck): El encoder genera vectores de media ( $\mu$ ) y log-varianza ( $\log \sigma^2$ ) para una distribución gaussiana. Un truco de reparametrización muestrea el vector latente $z$ .
- Decoder: Es un espejo del encoder utilizando UpSampling1D y capas de Convolución Transpuesta para reconstruir la forma de onda de entrada.
- Función de Pérdida: La optimización minimiza una combinación del Error Cuadrático Medio (MSE) para la fidelidad de la reconstrucción y la divergencia de Kullback–Leibler (KL) para regularizar el espacio latente hacia una distribución normal estándar.
Estrategia de Entrenamiento: Para asegurar la robustez contra la inicialización aleatoria de pesos (que causó la falta de convergencia en aproximadamente el 20% de los casos), se empleó un procedimiento de dos pasos: una fase de "enfriamiento" (cooldown) para seleccionar el mejor modelo inicial, seguido de una fase de entrenamiento completo utilizando el optimizador ADAM y un esquema de programación de la tasa de aprendizaje. Se utilizó un esquema de validación cruzada de 5 pliegues para validar la robustez estadística.

Contribuciones Clave y Hallazgos
La contribución principal es la demostración de que la representación del espacio latente de las formas de onda de puro ruido se agrupa naturalmente en una región densa y restringida, distinta de las formas de onda que contienen pulsos de señal.

Topología del Espacio Latente: El estudio revela que el vector latente medio ( $z_{mean}$ ) para las formas de onda de solo ruido se acumula en una región específica y estrecha del plano latente 2D. A medida que la amplitud de la señal aumenta, las representaciones codificadas divergen radialmente de este "centroide de ruido".
Criterio de Clasificación: Basándose en esta separación geométrica, los autores desarrollaron un algoritmo de selección basado en la distancia. Se define un "centroide de ruido" ( $z_{noise}$ ) como la moda de la distribución de solo ruido. Se calcula la distancia euclidiana ( $d$ ) del encoding latente de cualquier nueva forma de onda desde este centroide.
Umbralización: Se establece un umbral ( $d^*$ ) en el percentil 99 de la distribución de distancia para los datos de solo ruido. Las formas de onda con $d \le d^*$ se clasifican como ruido; aquellas con $d > d^*$ se marcan como portadoras de una señal.

Resultados

Desempeño: Al aplicarse a un conjunto de prueba de 7,500 formas de onda recién generadas, el método logró una eficiencia de identificación del 100% para eventos con pulsos grandes.
Sensibilidad: La eficiencia disminuye gradualmente a medida que las amplitudes de la señal se acercan al nivel de los pulsos de ruido accidental, lo cual es un comportamiento esperado dado la naturaleza basada en datos del umbral.
Tasa de Falsos Positivos: Por construcción, el método garantiza una Tasa de Falsos Positivos del 1% (clasificar erróneamente el ruido como señal), limitando eficazmente la contaminación por fondo.
Generalización: Los resultados fueron consistentes a través de los 5 pliegues de la validación cruzada, indicando que el modelo aprendió características físicas intrínsecas en lugar de sobreajustar muestras de entrenamiento específicas.

Significado y Reivindicaciones
El artículo afirma presentar una metodología innovadora y de autoaprendizaje que supera las limitaciones de los algoritmos tradicionales de búsqueda de pulsos para señales de baja energía en LAr TPCs. Al explotar la topología del espacio latente aprendido en lugar del error de reconstrucción, el enfoque proporciona un criterio de clasificación robusto para identificar señales de electroluminiscencia retardada.

Los autores posicionan este trabajo como un componente central de la iniciativa DAIDREAM, destinada a maximizar el potencial de descubrimiento en búsquedas de eventos raros en astrofísica de partículas. Afirman que este marco está diseñado para explotar plenamente las mediciones de experimentos como ReD, ofreciendo una sensibilidad al menos comparable a las reconstrucciones convencionales y siendo adaptable a las características de ruido específicas del detector. El artículo concluye que los resultados validan la viabilidad del uso de aprendizaje profundo no supervisado para la identificación de pulsos de alta eficiencia hasta los límites físicos impuestos por el ruido de fondo intrínseco.