Nature Machine Intelligence：自监督预训练推动能量前沿异质中微子探测器基础模型
摘要
Alonso-Monsalve 等人在 Nature Machine Intelligence 发表研究，证明自监督预训练能帮助深度学习模型解读复杂的中微子探测器事件，在分类、重建和数据效率上均有提升，并支持在不同中微子探测器技术之间迁移。论文在线发表于 2026 年 9 月 30 日，DOI 为 10.1038/s42256-026-01309-6。
摘要由模型根据原文撰写，以原文为准。
正文 · 原文
Nature Machine Intelligence, Published online: 30 September 2026; doi:10.1038/s42256-026-01309-6
Alonso-Monsalve et al. demonstrate that self-supervised pretraining helps deep learning models to interpret complex neutrino detector events, improving classification, reconstruction and data efficiency while enabling transfer across different neutrino detector technologies.
注意转载授权 · 阅读原文
来源：Nature Machine Intelligence · nature.com
引用原文
Saúl Alonso-Monsalve. Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pretraining[EB/OL]. (2026-09-30)[访问日期]. https://www.nature.com/articles/s42256-026-01309-6.