Eine leistungsfähige, trainingsfreie Pipeline zur robusten Charakterisierung zufälliger Telegraphensignale mittels adaptiver Wavelet-basierter Rauschunterdrückung und Bayes’scher Digitalisierungsmethoden

Warum kleine Signalflackern wichtig sind

In modernen Elektronikbauteilen und sogar in lebenden Zellen erscheinen wichtige Ereignisse oft als winzige, zeitliche Klicks: Ein Signal springt plötzlich nach oben, verharrt dort für eine Weile und fällt dann wieder ab. Diese Sprünge, bekannt als zufällige Telegraphensignale, können verraten, wann ein einzelner Defekt in einem Chip ein Elektron einfängt oder wann eine molekulare Maschine in der Biologie ihren Zustand wechselt. In realen Messungen sind diese Sprünge allerdings im Rauschen vieler anderer Quellen vergraben. Diese Arbeit stellt eine schnelle, trainingsfreie Analyse‑Pipeline vor, die solche Daten automatisch säubert, die verborgenen Sprungmuster rekonstruiert und dies zuverlässig genug für künftige Technologien wie Quantenbauelemente und Sensoren der nächsten Generation tut.

Sprünge in einem Meer von Rauschen erkennen

Ein zufälliges Telegraphensignal ist wie eine Lampe, die zufällig zwischen zwei oder mehreren Helligkeitsstufen umschaltet. Aus diesen Umschaltmustern können Forschende ableiten, wie lange ein Defekt oder eine molekulare Stelle typischerweise „ein“ oder „aus“ bleibt und wie stark sein Effekt ist. Diese Informationen sprechen direkt für die Zuverlässigkeit nanoskaliger Transistoren, Bildsensoren und Qubits. Die Herausforderung liegt darin, dass reale Signale selten sauber sind: Sie sind durch „weißes“ Rauschen überlagert, das sich gleichmäßig über alle Frequenzen erstreckt, und durch „rosa“ bzw. 1/f‑Rauschen, das langsam driftet und die zugrundeliegenden Stufen vollständig verschleiern kann. Während Geräte schrumpfen und wir sie mit immer feinerer Zeitauflösung beobachten, gewinnen diese Rauschquellen an Bedeutung, sodass es schwieriger wird, echte physikalische Ereignisse von Hintergrundstörungen zu unterscheiden.

Eine intelligentere Aufbereitungs- und Zähl‑Pipeline

Die Autorinnen und Autoren schlagen eine dreistufige, modulare Pipeline vor, die ohne jegliches maschinelles Lernen auskommt. Zuerst denoist ein fortschrittliches, waveletbasiertes Werkzeug — die dual‑tree complex wavelet transform — das Rohsignal adaptiv. Seine Einstellungen werden automatisch aus einfachen Eigenschaften der Daten gewählt, sodass Anwender keine Parameter manuell abstimmen müssen. Diese Stufe ist besonders gut darin, schnelles, weißes Rauschen zu entfernen und gleichzeitig die scharfen Kanten echter Sprünge zu bewahren. Anschließend wird das bereinigte Signal statistisch analysiert, um die häufigsten Amplitudenlevel zu finden, ähnlich wie das Erkennen der meistbesuchten Sprossen einer Leiter. Schließlich übersetzt ein leichter Bayes‑Schritt das geglättete Signal in einen digitalen Verlauf, der angibt, welcher Pegel in jedem Moment aktiv ist, und berechnet, wie lange jeder Zustand typischerweise anhält.

Die Methode einem Praxistest unterziehen

Um die Leistungsfähigkeit der Pipeline zu beurteilen, erzeugte das Team große synthetische Datensätze, in denen die wahren Sprungmuster im Voraus bekannt waren. Sie erzeugten Tausende von zufälligen Telegraphensignalen mit einem, zwei oder drei unabhängigen „Fallen“ und mischten kontrollierte Mengen weißen oder rosa Rauschens hinzu. So konnten sie prüfen, wie genau verschiedene Methoden Schlüsselgrößen wiederherstellen: die Anzahl aktiver Fallen, die Größe jedes Sprungs, den Anteil der Zeit, in dem jeder Zustand aktiv ist, und wie lange das Signal in einem Zustand verweilt, bevor es wechselt. Sie verglichen vier vollständige Workflows: einfache gleitende Mittelwertfilterung, Filterung im Frequenzbereich, einen leistungsfähigen neuronalen Denoiser und ihre neue Wavelet‑plus‑Bayes‑Pipeline. Während das neuronale Netzwerk bei einer grundlegenden Signal‑zu‑Rausch‑Metrik die höchste Punktzahl erzielte, identifizierte die neue Methode beständiger die richtige Anzahl an Fallen, schätzte Sprunggrößen genauer und blieb selbst bei sehr hohen Rauschpegeln oder dominierendem rosa Rauschen robust.

Schnell genug für Echtzeitgeräte

Neben der Genauigkeit sind Geschwindigkeit und Speicherbedarf entscheidend beim Umgang mit sehr langen Messungen. Eine einzelne hundertsekündige Messung mit Nanosekundenauflösung kann Milliarden von Datenpunkten enthalten, zu viel für viele neuronale Modelle, um sie in angemessener Zeit zu verarbeiten. Die vorgeschlagene Pipeline verarbeitet lange Signale bis zu etwa 83‑mal schneller als die neuronale Referenz, auf Kosten eines bis zu dreifach höheren Speicherverbrauchs — ein immer noch praktischer Kompromiss auf moderner Hardware. Die Autorengruppe wendet ihre Methode außerdem auf reale Daten von Kohlenstoffnanoröhrchen‑Bauelementen bei niedrigen Temperaturen an. Auch wenn es in diesen Experimenten keine „Ground Truth“ gibt, liefert die Pipeline klare, interpretierbare Stufenmuster und plausible Zustandsstatistiken ganz ohne Retraining oder gerätespezifische Anpassung und bietet Einstellmöglichkeiten für Experten, die alternative Deutungen erkunden möchten.

Was das für die Zukunft bedeutet

Einfach ausgedrückt liefert diese Arbeit einen zuverlässigen „Klick‑Detektor“ für sehr rauschende, hochfrequente Messungen. Sie zeigt, dass mit sorgfältig entworfenen, trainingsfreien Werkzeugen Forschende komplexe zufällige Telegraphensignale automatisch säubern, die Anzahl unabhängiger Schaltstellen korrekt bestimmen und messen können, wie stark und wie häufig diese wirken. Weil die Methode schnell, transparent und leicht anpassbar ist, kann sie die Grundlage für künftige automatisierte Teststände in der Halbleiterfertigung, für Quanten‑Zufallszahlengeneratoren und für Untersuchungen schwankender Signale in Chemie und Biologie bilden. Anstatt ein einmaliger Trick zu sein, dient die Pipeline als Fundament, auf dem speziellere oder intelligentere Module für zunehmend komplexe Geräte aufgebaut werden können.

Zitation: Bai, T., Kapoor, A. & Kim, N.Y. A high-performance training-free pipeline for robust random telegraph signal characterization via adaptive wavelet-based denoising and Bayesian digitization methods. Sci Rep 16, 7455 (2026). https://doi.org/10.1038/s41598-026-36656-2

Schlüsselwörter: zufälliges Telegraphensignal, Signalrauschunterdrückung, Bayes’sche Analyse, Halbleiterrauschen, Zeitreihen