Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pre-training
Il paper presenta un framework ViT sparso basato su pre-addestramento auto-supervisionato che, applicato a dati eterogenei di rivelatori di neutrini ad alta energia come FASERCal, genera rappresentazioni riutilizzabili che migliorano significativamente l'identificazione delle particelle e la ricostruzione rispetto ai metodi convenzionali, garantendo al contempo un'efficienza nei dati e una capacità di trasferimento superiore.