Um fluxo de análise de alto desempenho e sem treinamento para caracterização robusta de sinais telegráficos aleatórios via denoising adaptativo baseado em wavelets e métodos bayesianos de digitalização

Por que pequenos estalos do sinal importam

No interior da eletrônica moderna e até em células vivas, eventos importantes podem se manifestar como pequenos cliques no tempo: um sinal salta repentinamente para cima, permanece nesse nível por um período e então cai de volta. Esses saltos, conhecidos como sinais telegráficos aleatórios, podem revelar quando um único defeito em um chip captura um elétron ou quando uma máquina molecular em biologia muda de estado. Mas em medições reais esses saltos ficam enterrados em chiados e zumbidos vindos de muitas outras fontes de ruído. Este artigo apresenta um fluxo de análise rápido, sem necessidade de treinamento, que pode limpar automaticamente esses dados, recuperar os padrões ocultos de saltos e fazê‑lo com robustez suficiente para tecnologias futuras, como dispositivos quânticos e sensores de próxima geração.

Ver saltos em um mar de ruído

Um sinal telegráfico aleatório é como uma luz que alterna aleatoriamente entre dois ou mais níveis de brilho. A partir desses padrões de alternância, pesquisadores podem inferir quanto tempo um defeito ou sítio molecular tende a ficar “ligado” ou “desligado” e qual é a intensidade do seu efeito. Essas informações, por sua vez, dizem diretamente respeito à confiabilidade de transistores em escala nanométrica, sensores de imagem e qubits. O desafio é que sinais reais raramente são limpos: estão misturados com ruído “branco”, que se distribui uniformemente por todas as frequências, e ruído “rosa” ou 1/f, que deriva lentamente e pode ocultar completamente os degraus subjacentes. À medida que os dispositivos encolhem e os monitoramos em resolução temporal cada vez mais fina, essas fontes de ruído ganham importância, tornando mais difícil separar eventos físicos genuínos do ruído de fundo.

Um pipeline mais inteligente para limpeza e contagem

Os autores propõem um fluxo modular em três etapas que funciona sem qualquer treinamento de aprendizado de máquina. Primeiro, uma ferramenta avançada baseada em wavelets, a transformada wavelet complexa de árvore dupla, denoises adaptativamente o sinal bruto. Suas configurações são escolhidas automaticamente a partir de propriedades simples dos dados, de modo que os usuários não precisam ajustar parâmetros manualmente. Essa etapa é especialmente eficaz para remover ruído branco rápido enquanto preserva as bordas nítidas dos saltos reais. Em seguida, o sinal limpo é analisado estatisticamente para encontrar os níveis de amplitude mais comuns, como identificar os degraus mais frequentemente visitados em uma escada. Finalmente, uma etapa bayesiana leve traduz o sinal suavizado em um registro digital de qual nível está ativo em cada instante e calcula quanto tempo cada estado costuma durar.

Testando o método

Para avaliar a eficácia do pipeline, a equipe construiu grandes conjuntos de dados sintéticos nos quais os padrões de salto verdadeiros são conhecidos previamente. Eles geraram milhares de sinais telegráficos aleatórios com um, dois ou três “armadilhas” independentes e então misturaram quantidades controladas de ruído branco ou rosa. Isso permitiu verificar com que precisão diferentes métodos recuperam quantidades-chave: o número de armadilhas ativas, o tamanho de cada salto, a fração de tempo que cada estado permanece ativo e quanto tempo o sinal tende a permanecer em cada estado antes de alternar. Compararam quatro fluxos completos: filtragem simples por média móvel, filtragem no domínio da frequência, um denoiser poderoso baseado em rede neural e o novo pipeline de wavelet mais bayesiano. Embora a rede neural tenha obtido a maior pontuação em uma medida básica de relação sinal-ruído, o novo método identificou de forma mais consistente o número correto de armadilhas, estimou os tamanhos dos saltos com maior precisão e permaneceu robusto mesmo quando os níveis de ruído eram muito altos ou o ruído rosa predominava.

Rápido o bastante para dispositivos em tempo real

Além da acurácia, velocidade e demanda de memória são críticas ao lidar com gravações muito longas. Uma única medição de cem segundos em resolução de nanossegundos pode conter bilhões de pontos de dados, volume grande demais para muitos modelos de rede neural processarem em tempo razoável. O pipeline proposto processa sinais longos até cerca de 83 vezes mais rápido que a baseline neural, ao custo de usar até três vezes mais memória—ainda uma troca prática em hardware moderno. Os autores também aplicam o método a dados reais de dispositivos de nanotubos de carbono operados em baixas temperaturas. Embora não exista uma “verdade de referência” nesses experimentos, o pipeline produz padrões de degraus claros e interpretáveis e estatísticas de estado razoáveis sem qualquer retreinamento ou ajuste específico ao dispositivo, oferecendo ainda controles para especialistas que queiram explorar interpretações alternativas.

O que isso significa para o futuro

Em termos simples, este trabalho entrega um detector de cliques confiável para medições muito ruidosas e de alta velocidade. Mostra que, com ferramentas bem projetadas e sem treinamento, pesquisadores podem limpar automaticamente sinais telegráficos aleatórios complexos, contar corretamente quantos sítios de comutação independentes estão presentes e medir com que força e com que frequência eles atuam. Como o método é rápido, transparente e fácil de adaptar, ele pode fundamentar bancos de teste automatizados futuros para fabricação de semicondutores, geradores quânticos de números aleatórios e estudos de sinais flutuantes em química e biologia. Em vez de ser um truque isolado, o pipeline serve de base sobre a qual módulos mais especializados ou inteligentes podem ser construídos para dispositivos cada vez mais complexos.

Citação: 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

Palavras-chave: sinal telegráfico aleatório, remoção de ruído de sinal, análise bayesiana, ruído em semicondutores, série temporal