Una cadena de análisis de alto rendimiento y sin entrenamiento para la caracterización robusta de señales telegráficas aleatorias mediante desruido adaptativo basado en wavelets y métodos bayesianos de digitalización

Por qué importan los pequeños parpadeos de la señal

Dentro de la electrónica moderna e incluso en las células vivas, eventos importantes pueden parecer pequeños clics en el tiempo: una señal salta de repente hacia arriba, permanece así un rato y luego vuelve a caer. Estos saltos, conocidos como señales telegráficas aleatorias, pueden revelar cuándo un defecto aislado en un chip atrapa un electrón o cuándo una máquina molecular en biología cambia de estado. Pero en medidas reales esos saltos están enterrados bajo siseos y zumbidos procedentes de muchas otras fuentes de ruido. Este artículo presenta una cadena de análisis rápida y sin entrenamiento que puede limpiar automáticamente esos datos, recuperar los patrones de salto ocultos y hacerlo con suficiente fiabilidad para tecnologías futuras como dispositivos cuánticos y sensores de próxima generación.

Ver saltos en un mar de ruido

Una señal telegráfica aleatoria es como una luz que cambia al azar entre dos o más niveles de brillo. A partir de esos patrones de cambio, los investigadores pueden inferir cuánto tiempo tiende a permanecer “activo” o “inactivo” un defecto o un sitio molecular, y cuál es la magnitud de su efecto. Esa información, a su vez, habla directamente de la fiabilidad de transistores a escala nanométrica, sensores de imagen y qubits. El reto es que las señales reales rara vez están limpias: se mezclan con ruido “blanco”, que se extiende uniformemente por todas las frecuencias, y con ruido “rosa” o 1/f, que deriva lentamente y puede ocultar por completo los escalones subyacentes. A medida que los dispositivos se miniaturizan y los monitorizamos con resolución temporal cada vez más fina, estas fuentes de ruido aumentan en importancia, dificultando distinguir eventos físicos genuinos del desorden de fondo.

Una cadena de limpieza y conteo más inteligente

Los autores proponen una cadena modular de tres pasos que funciona sin ningún entrenamiento de aprendizaje automático. Primero, una herramienta avanzada basada en wavelets, la transformada wavelet compleja de doble árbol, desruida de forma adaptativa la señal cruda. Sus parámetros se eligen automáticamente a partir de propiedades simples de los datos, de modo que los usuarios no necesitan ajustar manualmente nada. Esta etapa es especialmente buena para eliminar ruido blanco rápido preservando los bordes nítidos de los saltos reales. A continuación, la señal limpiada se analiza estadísticamente para encontrar los niveles de amplitud más comunes, como identificar los peldaños más frecuentados de una escalera. Finalmente, un paso bayesiano ligero traduce la señal suavizada en un registro digital de qué nivel está activo en cada momento y calcula cuánto dura típicamente cada estado.

Poniendo el método a prueba

Para juzgar el rendimiento de la cadena, el equipo construyó grandes conjuntos de datos sintéticos en los que los patrones de salto verdaderos se conocían de antemano. Generaron miles de señales telegráficas aleatorias con uno, dos o tres “trampas” independientes y luego mezclaron cantidades controladas de ruido blanco o rosa. Esto les permitió comprobar con qué precisión distintos métodos recuperan cantidades clave: el número de trampas activas, el tamaño de cada salto, la fracción de tiempo que cada estado está activo y cuánto tiempo permanece la señal en cada estado antes de cambiar. Compararon cuatro flujos de trabajo completos: filtrado por media móvil simple, filtrado en el dominio de la frecuencia, un potente desruidor basado en redes neuronales y su nueva cadena wavelet más bayesiana. Mientras que la red neuronal obtuvo la puntuación más alta en una medida básica de relación señal‑ruido, el nuevo método identificó con mayor consistencia el número correcto de trampas, estimó los tamaños de salto con más precisión y se mantuvo robusto incluso cuando los niveles de ruido eran muy altos o predominaba el ruido rosa.

Suficientemente rápido para dispositivos en tiempo real

Más allá de la precisión, la velocidad y la demanda de memoria son críticas al tratar grabaciones muy largas. Una única medición de cien segundos con resolución de nanosegundos puede contener miles de millones de puntos de datos, demasiado grande para que muchos modelos de redes neuronales los procesen en tiempo razonable. La cadena propuesta procesa señales largas hasta unas 83 veces más rápido que la referencia neuronal, a costa de usar hasta tres veces más memoria —aún un intercambio práctico en hardware moderno. Los autores también aplican su método a datos reales de dispositivos de nanotubos de carbono operados a bajas temperaturas. Aunque en estos experimentos no existe una “verdad de campo” conocida, la cadena produce patrones de escalones claros e interpretables y estadísticas de estado razonables sin retraining ni ajuste específico del dispositivo, y ofrece controles para expertos que quieran explorar interpretaciones alternativas.

Qué significa esto de cara al futuro

En términos sencillos, este trabajo entrega un “detector de clics” fiable para mediciones muy ruidosas y de alta velocidad. Muestra que con herramientas bien diseñadas y sin entrenamiento, los investigadores pueden limpiar automáticamente señales telegráficas complejas, contar correctamente cuántos sitios de conmutación independientes están presentes y medir con qué intensidad y con qué frecuencia actúan. Dado que el método es rápido, transparente y fácil de adaptar, puede sustentar futuros bancos de pruebas automáticos para la fabricación de semiconductores, generadores cuánticos de números aleatorios y estudios de señales fluctuantes en química y biología. En lugar de ser un truco puntual, la cadena sirve como base sobre la que se pueden construir módulos más especializados o inteligentes para dispositivos cada vez más complejos.

Cita: 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

Palabras clave: señal telegráfica aleatoria, desruido de señales, análisis bayesiano, ruido en semiconductores, series temporales