⚛️ high-energy experiments

Transformer-Based Pulse Shape Discrimination in HPGe Detectors with Masked Autoencoder Pre-training

यह शोध पत्र यह प्रदर्शित करता है कि ट्रांसफॉर्मर-आधारित मॉडल, विशेष रूप से जब उन्हें मास्क्ड ऑटोएनकोडर प्री-ट्रेनिंग द्वारा उन्नत किया जाता है, पूर्ण वेवफॉर्म डेटा का लाभ उठाकर और लेबल किए गए प्रशिक्षण नमूनों की आवश्यकता को काफी कम करके, HPGe डिटेक्टरों के लिए पल्स-शेप भेदभाव और ऊर्जा प्रतिगमन (energy regression) में पारंपरिक ग्रेडिएंट-बूस्टेड डिसीजन ट्री से बेहतर प्रदर्शन करते हैं।

मूल लेखक: Marta Babicz, Saúl Alonso-Monsalve, Alain Fauquex, Laura Baudis

प्रकाशित 2026-03-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Marta Babicz, Saúl Alonso-Monsalve, Alain Fauquex, Laura Baudis

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बहुत ही शांत, अंधेरे कमरे में एक रहस्य को सुलझाने की कोशिश कर रहे एक जासूस हैं। आपका "रहस्य" है न्यूट्रिनोलेस डबल-बीटा डिके (neutrinoless double-beta decay) नामक एक दुर्लभ घटना, जिसे यदि खोज लिया गया, तो यह ब्रह्मांड के बारे में हमारी समझ को फिर से लिख देगा। लेकिन यह कमरा "शोर" से भरा है—चट्टानों, कॉस्मिक किरणों और अन्य कणों से निकलने वाला बैकग्राउंड रेडिएशन, जो लगभग बिल्कुल उस सिग्नल जैसा दिखता है जिसे आप ढूंढ रहे हैं।

इस असली सिग्नल को खोजने के लिए, आपको एक विशाल, अत्यंत-ठंडे जर्मेनियम क्रिस्टल डिटेक्टर से टकराने वाले कणों द्वारा छोड़े गए "कदमों के निशान" (इलेक्ट्रिकल सिग्नल) को बहुत ध्यान से सुनना होगा।

यह शोध पत्र (paper) कंप्यूटर को उन कदमों की आहट को किसी भी इंसान या पारंपरिक तरीके से बेहतर ढंग से सुनने के लिए सिखाने के बारे में है। यहाँ इसका सरल विवरण दिया गया है:

1. समस्या: "सारांश शीट" बनाम "पूर्ण रिकॉर्डिंग"

पारंपरिक रूप से, जब भौतिक विज्ञानी इन विद्युत संकेतों (वेवफॉर्म्स) को देखते थे, तो वे एक संगीतकार की तरह होते थे जो एक सिम्फनी सुनते हैं और केवल तीन नंबर लिखते हैं: "पहला नोट कितना तेज़ था? यह कितनी देर तक चला? अंत में यह कितना धीमा था?"

वे बाकी के संगीत को फेंक देते थे। उन्हें लगता था, "ये तीन नंबर यह बताने के लिए पर्याप्त हैं कि क्या कोई पत्थर लुढ़क कर आया (बैकग्राउंड) या कोई भूत पास से गुजरा (सिग्नल)।"

शोध पत्र का विचार: बाकी की रिकॉर्डिंग को क्यों फेंक दें? क्या होगा अगर हम कंप्यूटर को पूरे गाने को सुनने दें, पहले नोट से लेकर आखिरी नोट तक, ताकि वह उन सूक्ष्म अंतरों को सुन सके जिन्हें हमने छोड़ दिया था?

2. नया टूल: "ट्रांसफॉर्मर" (Transformer)

लेखकों ने ट्रांसफॉर्मर नामक AI के एक प्रकार का उपयोग किया। आप ट्रांसफॉर्मर के बारे में जानते होंगे जो निबंध लिखते हैं या भाषाओं का अनुवाद करते हैं। वे संदर्भ (context) और लंबी अनुक्रमों (sequences) को समझने में अद्भुत हैं।

उपमा (Analogy): कल्पना कीजिए कि एक पारंपरिक तरीका एक सुरक्षा गार्ड की तरह है जो केवल आपका आईडी कार्ड चेक करता है (कुछ सारांश संख्याएँ)। ट्रांसफॉर्मर एक जासूस की तरह है जो इमारत में आपके चलने के पूरे तरीके को देखता है: आपकी चाल, आपकी गति, आप कैसे देखते हैं, और आपका पोस्चर। यह पूरी तस्वीर देखता है।

इस शोध पत्र में, ट्रांसफॉर्मर ने बिना उन्हें सारांश संख्याओं में संकुचित किए, सीधे डिटेक्टर से आने वाली कच्ची विद्युत तरंगों (raw electrical waves) को देखा।

3. गुप्त नुस्खा: "मास्क्ड ऑटोएनकोडर" (Masked Autoencoders) - "खाली स्थान भरने का खेल"

एक सुपर-स्मार्ट AI को प्रशिक्षित करने के लिए आमतौर पर लाखों लेबल किए गए उदाहरणों (जैसे, "यह लहर एक भूत है," "वह लहर एक पत्थर है") की आवश्यकता होती है। लेकिन भौतिकी में, डेटा को लेबल करना कठिन, महंगा और धीमा है। आपको यह कहने के लिए एक विशेषज्ञ होना पड़ता है कि, "हाँ, यह निश्चित रूप से एक बैकग्राउंड इवेंट है।"

लेखकों ने मास्क्ड ऑटोएनकोडर (MAE) प्री-ट्रेनिंग नामक एक चतुर ट्रिक का उपयोग किया।

उपमा: कल्पना कीजिए कि आपके पास 10 लाख किताबों का एक पुस्तकालय है, लेकिन केवल 10,000 के अंत लिखे हुए हैं (लेबल किए गए)।
- पुराना तरीका: आप केवल उन 10,000 किताबों का उपयोग करके कहानी सीखने की कोशिश करते हैं जिनके अंत लिखे हुए हैं।
- शोध पत्र का तरीका: आप 10 लाख किताबें लेते हैं, उनके रैंडम पन्ने फाड़ देते हैं (मास्किंग), और AI से पूछते हैं कि बाकी कहानी के आधार पर गायब पन्नों में क्या लिखा होगा।
- परिणाम: AI बिना लेबल वाली किताबों को पढ़कर ही भाषा की संरचना (डिटेक्टर की भौतिकी) को समझने में विशेषज्ञ बन जाता है। एक बार जब वह "खाली स्थान भरने" में विशेषज्ञ बन जाता है, तो आपको उसे उस विशिष्ट रहस्य को सिखाने के लिए केवल कुछ ही लेबल की गई किताबों की आवश्यकता होती है।

लाभ: इसने AI को 2 से 4 गुना अधिक कुशल बना दिया। इसे उतना ही अच्छा बनने के लिए बहुत कम लेबल किए गए उदाहरणों की आवश्यकता थी।

4. परिणाम: दौड़ में कौन जीता?

लेखकों ने तीन धावकों की तुलना की:

पुराना गार्ड (GBDT): एक क्लासिक मशीन लर्निंग मॉडल जो "सारांश शीट" (हस्तनिर्मित संख्याएँ) का उपयोग करता है।
नया खिलाड़ी (शुरुआत से ट्रांसफॉर्मर): नया AI, लेकिन इसे केवल कुछ ही लेबल किए गए उदाहरणों का उपयोग करके शून्य से सब कुछ सीखना पड़ा।
प्रो (प्री-ट्रेनिंग के साथ ट्रांसफॉर्मर): नया AI जिसने पहले "खाली स्थान भरने का खेल" खेला।

विजेता: प्रो (प्री-ट्रेनिंग के साथ ट्रांसफॉर्मर)।

इसने हर श्रेणी में पुराने गार्ड को हराया।
यह विशेष रूप से उन "चालाकी भरे" बैकग्राउंड इवेंट्स को पहचानने में बेहतर था जो आमतौर पर पुराने गार्ड को चकमा दे देते हैं।
यह ऊर्जा को मापने में भी बेहतर था (जैसे कि केवल पैकेज को देखकर उसके वजन का अनुमान लगाना)।

5. यह क्यों मायने रखता है?

न्यूट्रिनोलेस डबल-बीटा डिके की खोज में, बैकग्राउंड शोर का हर छोटा हिस्सा जिसे आप हटा सकते हैं, आपको ब्रह्मांड के सबसे बड़े रहस्यों में से एक को खोजने के करीब लाता है।

बेहतर सिग्नल: पूर्ण वेवफॉर्म का उपयोग करके, AI वास्तविक सिग्नल को गलती से फेंके बिना अधिक बैकग्राउंड शोर को खारिज कर सकता है।
तेज़ विज्ञान: क्योंकि AI तेजी से सीखता है (प्री-ट्रेनिंग ट्रिक की मदद से), वैज्ञानिकों को एक नया मॉडल प्रशिक्षित करने के लिए पर्याप्त लेबल किया गया डेटा एकत्र करने के लिए वर्षों तक इंतजार नहीं करना पड़ता है। वे नए डिटेक्टरों या नई प्रयोगात्मक व्यवस्थाओं के अनुसार तेज़ी से अनुकूलित हो सकते हैं।

सारांश

इस शोध पत्र को एक सुरक्षा प्रणाली को अपग्रेड करने के रूप में देखें। केवल व्यक्ति का आईडी कार्ड चेक करने के बजाय (पुराना तरीका), नया सिस्टम उनके शरीर की भाषा और चलने के इतिहास को देखता है (ट्रांसफॉर्मर)। और यह सुनिश्चित करने के लिए कि सिस्टम बिना लाखों मानव प्रशिक्षकों के इतना स्मार्ट बन जाए, यह पहले लाखों बिना लेबल वाली तस्वीरों का उपयोग करके "गायब पहेली के टुकड़े का अनुमान लगाने का खेल" (Masked Autoencoding) खेलता है।

परिणाम? एक स्मार्ट, तेज़ और अधिक सटीक डिटेक्टर जो हमें ब्रह्मांड के सबसे बड़े रहस्यों में से एक को सुलझाने के एक कदम और करीब लाता है।

यहाँ "Transformer-Based Pulse Shape Discrimination in HPGe Detectors with Masked Autoencoder Pre-training" शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

संदर्भ: $^{76}$ Ge से समृद्ध हाई-प्योरिटी जर्मेनियम (HPGe) डिटेक्टर न्यूट्रिनोलेस डबल-बीटा डिके ( $0\nu\beta\beta$ ) की खोज के लिए अत्यंत महत्वपूर्ण हैं। इन प्रयोगों (जैसे Majorana Demonstrator और भविष्य का LEGEND कार्यक्रम) में एक बड़ी चुनौती दुर्लभ सिग्नल घटनाओं को बैकग्राउंड शोर से अलग करना है।
चुनौती:

सूचना की हानि (Information Loss): पारंपरिक पल्स शेप डिस्क्रिमिनेशन (PSD) विधियाँ पूर्ण डिजिटाइज्ड वेवफॉर्म को कुछ हस्त-निर्मित सारांश मापदंडों (जैसे पीक एम्प्लीट्यूड, राइज टाइम) में संकुचित कर देती हैं। यह संपीड़न संभावित रूप से पूर्ण टाइम सीरीज़ में निहित प्रासंगिक जानकारी को हटा सकता है।
लेबल की कमी (Label Scarcity): सुपरवाइज्ड मशीन लर्निंग के लिए बड़े लेबल वाले डेटासेट की आवश्यकता होती है। प्रयोगात्मक भौतिकी में, "ग्राउंड ट्रुथ" इवेंट टोपोलॉजी लेबल प्राप्त करना कठिन है; लेबल अक्सर सिमुलेशन या विश्लेषण-परिभाषित प्रॉक्सी से प्राप्त किए जाते हैं, जो शोर पेश कर सकते हैं। इसके अलावा, प्रचुर मात्रा में उपलब्ध अनलेबल कैलिब्रेशन डेटा की तुलना में लेबल वाला डेटा अक्सर कम होता है।
लक्ष्य: बेहतर वर्गीकरण सटीकता (PSD) और ऊर्जा पुनर्निर्माण (energy reconstruction) के लिए एक ऐसा मॉडल विकसित करना जो सीधे कच्चे डिजिटाइज्ड वेवफॉर्म पर कार्य करे और सेल्फ-सुपरवाइज्ड प्री-ट्रेनिंग के माध्यम से बड़े लेबल वाले डेटासेट पर निर्भरता को कम करे।

2. कार्यप्रणाली (Methodology)

लेखक एक ट्रांसफॉर्मर-आधारित आर्किटेक्चर प्रस्तावित करते हैं जो डिटेक्टर पहचान (detector identity) पर आधारित है, जिसमें दो-चरणीय प्रशिक्षण रणनीति का उपयोग किया गया है: मास्क्ड ऑटोएन्कोडर (MAE) प्री-ट्रेनिंग और उसके बाद सुपरवाइज्ड फाइन-ट्यूनिंग।

A. डेटा और इनपुट प्रतिनिधित्व (Data and Input Representation)

डेटासेट: Majorana Demonstrator (MJD) AI/ML डेटा रिलीज (1.04M ट्रेनिंग, 390k टेस्ट वेवफॉर्म्स) से वेवफॉर्म्स।
इनपुट: कच्चे प्रीएम्पलीफायर चार्ज पल्स (3,800 सैंपल्स) और उनके फर्स्ट-ऑर्डर ग्रेडिएंट्स (करंट प्रॉक्सी के रूप में)।
प्रीप्रोसेसिंग:
- बेसलाइन घटाव (subtraction) और मानकीकरण (standardization)।
- विंडोइंग (Windowing): अनुक्रमों (sequences) को $W=10$ टाइम स्टेप्स (100 ns) के गैर-अतिव्यापी (non-overlapping) विंडोज़ में विभाजित किया गया, जिससे प्रति इवेंट $L=380$ टोकन बने।
- ऑग्मेंटेशन (Augmentation): मजबूती (robustness) में सुधार के लिए रैंडम टेम्पोरल शिफ्ट ( $\pm5$ स्टेप्स)।
डिटेक्टर कंडीशनिंग: चूंकि विभिन्न डिटेक्टरों के अद्वितीय पल्स लक्षण होते हैं, इसलिए मॉडल फीचर-वाइज लीनियर मॉड्यूलेशन (FiLM) का उपयोग करता है। प्रत्येक 26 डिटेक्टरों को एक सीखा हुआ एम्बेडिंग (learned embedding) सौंपा गया है जो टोकन एम्बेडिंग्स को स्केल और शिफ्ट करता है, जिससे एक एकल मॉडल कई डिटेक्टरों के अनुकूल बन जाता है।

B. मॉडल आर्किटेक्चर (Model Architecture)

एनकोडर (Encoder): 6 लेयर्स, 8 अटेंशन हेड्स और 64-डायमेंशनल एम्बेडिंग्स के साथ एक ट्रांसफॉर्मर एनकोडर। यह साइनुसोइडल पोजीशनल एनकोडिंग और प्री-नॉर्म कॉन्फ़िगरेशन का उपयोग करता है।
पूलिंग (Pooling): ग्लोबल एवरेज पूलिंग अनुक्रम को एक निश्चित आकार के इवेंट प्रतिनिधित्व में एकत्रित करती है।
हेड्स (Heads):
- PSD हेड्स: विशिष्ट कट्स के लिए चार स्वतंत्र बाइनरी क्लासिफिकेशन हेड्स: लो-साइड $A_{vs}E$ , हाई-साइड $A_{vs}E$ , डिलेड चार्ज रिकवरी (DCR), और लेट चार्ज (LQ)।
- रिग्रेशन हेड (Regression Head): कैलिब्रेटेड ऊर्जा का अनुमान लगाता है।

C. प्रशिक्षण रणनीतियाँ (Training Strategies)

मास्क्ड ऑटोएन्कोडर (MAE) प्री-ट्रेनिंग (सेल्फ-सुपरवाइज्ड):
- उद्देश्य: केवल दृश्य संदर्भ (visible context) का उपयोग करके 50% रैंडमली मास्क्ड टेम्पोरल विंडोज़ को पुनर्गठित करना।
- प्रक्रिया: एक एनकोडर दृश्य विंडोज़ को प्रोसेस करता है; एक हल्का डिकोडर मास्क किए गए वेवफॉर्म और ग्रेडिएंट वैल्यूज को पुनर्गठित करता है।
- लॉस (Loss): केवल मास्क किए गए स्थानों पर मीन स्क्वेर्ड एरर (MSE)।
- अवधि: अनलेबल डेटा पर 200 एपोच।
सुपरवाइज्ड ट्रेनिंग:
- स्क्रैच से (From Scratch): लेबल वाले डेटा पर सीधे ट्रांसफॉर्मर को प्रशिक्षित करना।
- फाइन-ट्यूनिंग (Fine-tuning): MAE प्री-ट्रेनिंग से प्राप्त वेट्स के साथ एनकोडर को इनिशियलाइज़ करना और संयुक्त लॉस (PSD के लिए बाइनरी क्रॉस-एन्ट्रॉपी + ऊर्जा के लिए हबर लॉस) के साथ लेबल वाले डेटा पर 20 एपोच तक प्रशिक्षित करना।
बेसलाइन (Baseline): 12 हस्त-निर्मित ज्यामितीय विशेषताओं (चार्ज, करंट, डेरिवेटिव और टाइमिंग मेट्रिक्स) पर प्रशिक्षित एक ग्रेडिएंट-बूस्टेड डिसिजन ट्री (GBDT)।

3. प्रमुख योगदान (Key Contributions)

एंड-टू-एंड वेवफॉर्म मॉडलिंग: एक डिटेक्टर-कंडीशन्ड ट्रांसफॉर्मर का विकास जो सीधे डिजिटाइज्ड चार्ज ट्रेसेस और ग्रेडिएंट्स पर कार्य करता है, जिससे मैनुअल फीचर कंप्रेशन से बचा जा सकता है।
MAE के माध्यम से सैंपल एफिशिएंसी: प्रचुर मात्रा में अनलेबल कैलिब्रेशन डेटा के माध्यम से सेल्फ-सुपरवाइज्ड प्री-ट्रेनिंग का प्रदर्शन कि यह कम लेबल वाले डेटा शासन (low-label regimes) में उच्च प्रदर्शन प्राप्त करने के लिए आवश्यक लेबल वाले डेटा की मात्रा को काफी कम कर देता है (2–4x की कमी)।
व्यापक बेंचमार्किंग: चार अलग-अलग PSD लक्ष्यों और ऊर्जा रिग्रेशन कार्यों के लिए एक मजबूत GBDT बेसलाइन के विरुद्ध कठोर तुलना।
संयुक्त प्रदर्शन का विश्लेषण: "PSD-पास" परिभाषा (जिसके लिए सभी चार कट्स को एक साथ पास करना आवश्यक है) का मूल्यांकन, जो दिखाता है कि एंड-टू-एंड मॉडल जटिल, संयुक्त परिदृश्य में फीचर-आधारित विधियों की तुलना में अधिक प्रभावी हैं।

4. मुख्य परिणाम (Key Results)

A. पल्स शेप डिस्क्रिमिनेशन (PSD)

Transformer बनाम GBDT: ट्रांसफॉर्मर ने सभी मेट्रिक्स (AUROC और F1 स्कोर) में GBDT बेसलाइन को लगातार पछाड़ दिया।
- सबसे बड़े लाभ: सुधार सबसे चुनौतीपूर्ण कट्स (LQ और DCR) और संयुक्त PSD-पास परिभाषा के लिए सबसे स्पष्ट थे।
- संयुक्त PSD-pass: फाइन-ट्यून्ड ट्रांसफॉर्मर ने 0.9918 का AUROC और 0.9415 का F1 प्राप्त किया, जबकि GBDT ने क्रमशः 0.9598 और 0.8733 प्राप्त किया।
Fine-tuning बनाम Scratch: MAE प्री-ट्रेनिंग के बाद फाइन-ट्यूनिंग ने स्क्रैच से प्रशिक्षण की तुलना में मामूली लेकिन निरंतर सुधार प्रदान किया, विशेष रूप से कठिन लेबल (जैसे, LQ AUROC 0.980 से बढ़कर 0.993 हो गया) के लिए।

B. सैंपल एफिशिएंसी (Sample Efficiency)

लो-डेटा शासन (Low-Data Regime): MAE प्री-ट्रेनिंग ने लेबल वाले डेटा की आवश्यकता को नाटकीय रूप से कम कर दिया।
- उदाहरण: केवल 65k लेबल वाले वेवफॉर्म्स और 2 एपोच के प्रशिक्षण के साथ "Low AvsE" कट के लिए, फाइन-ट्यून्ड मॉडल ने 0.880 का AUROC प्राप्त किया, जो 260k वेवफॉर्म्स (AUROC 0.881) पर प्रशिक्षित मॉडल के प्रदर्शन के बराबर है।
- यह समान प्रदर्शन स्तर तक पहुँचने के लिए लेबल वाले डेटा की आवश्यकताओं में 4x की कमी को दर्शाता है।

C. ऊर्जा पुनर्निर्माण (Energy Reconstruction)

दोनों ट्रांसफॉर्मर वेरिएंट्स ने एक मामूली सामान्य अंडरएस्टिमेशन बायस (~0.8%) दिखाया।
फाइन-ट्यूनिंग ने अवशेष वितरण (residual distribution) को मामूली रूप से कम किया ( $\sigma$ 0.0424 से घटकर 0.0407 हो गया), जो इंगित करता है कि यह स्क्रैच से प्रशिक्षण की तुलना में कैलिब्रेटेड ऊर्जा लेबल के साथ बेहतर सामंजस्य रखता है।

D. पुनर्निर्माण विश्लेषण (Reconstruction Analysis - Appendix)

MAE मॉडल ने उच्च निष्ठा (fidelity) (MSE $\approx 10^{-4}$ ) के साथ मास्क किए गए वेवफॉर्म सेगमेंट को सफलतापूर्वक पुनर्गठित किया।
पुनर्निर्माण मानक PSD-pass घटनाओं के लिए सटीक थे। जटिल PSD-fail घटनाओं (जैसे, डबल पीक्स के साथ मल्टी-साइट इंटरैक्शन) के लिए, मॉडल ने सामान्य आकार (morphology) को पकड़ा, लेकिन दुर्लभ, सूक्ष्म-स्तरीय घटना-विशिष्ट विशेषताओं के साथ संघर्ष किया, जो प्री-ट्रेनिंग उद्देश्यों के लिए अपेक्षित और स्वीकार्य है।

5. महत्व और भविष्य की संभावनाएं (Significance and Future Outlook)

$0\nu\beta\beta$ खोजों पर प्रभाव: हालांकि यह पेपर सीधे हाफ-लाइफ संवेदनशीलता (half-life sensitivity) में सुधार को क्वांटिफाई नहीं करता है (जिसके लिए पूर्ण ROI-स्तर के अध्ययन की आवश्यकता होती है), बेहतर वर्गीकरण सटीकता और बैकग्राउंड रिजेक्शन क्षमताएं चल रहे LEGEND-200 और भविष्य के LEGEND-1000 प्रयोगों के लिए महत्वपूर्ण हैं।
संसाधन दक्षता: MAE के माध्यम से प्रचुर मात्रा में अनलेबल कैलिब्रेशन डेटा का लाभ उठाने की क्षमता बहुत मूल्यवान है, जहाँ लेबल वाले डेटासेट अक्सर व्यवस्थित बाधाओं या विशेषज्ञ एनोटेशन की आवश्यकता के कारण सीमित होते हैं।
सामान्यीकरण (Generalizability): यह दृष्टिकोण अन्य निम्न-बैकग्राउंड HPGe प्रयोगों और संभावित रूप से अन्य डिटेक्टर तकनीकों के लिए भी हस्तांतरणीय है जहाँ टेम्पोरल स्ट्रक्चर महत्वपूर्ण है।
अगले कदम: भविष्य के कार्यों को विभिन्न डिटेक्टरों और परिचालन स्थितियों में मजबूती का सत्यापन करना होगा, विशेष रूप से $Q_{\beta\beta}$ ऊर्जा क्षेत्र के पास प्रदर्शन का मूल्यांकन करना और इन लाभों को पूर्ण संवेदनशीलता अध्ययन में प्रोपेगेट करना होगा।

संक्षेप में, यह कार्य स्थापित करता है कि MAE प्री-ट्रेनिंग के साथ ट्रांसफॉर्मर मॉडल HPGe पल्स शेप डिस्क्रिमिनेशन के लिए पारंपरिक फीचर-आधारित विधियों के मुकाबले एक बेहतर, अधिक डेटा-कुशल विकल्प प्रदान करते हैं, जिससे कम लेबल वाले उदाहरणों के साथ बेहतर बैकग्राउंड रिजेक्शन संभव होता है।