Высокопроизводительный конвейер без обучения для надёжной характеристики случайных телеграфных сигналов с помощью адаптивного вейвлетного денойзинга и байесовских методов оцифровки

Почему важны крошечные мерцания сигнала

Внутри современной электроники и даже живых клеток важные события могут выглядеть как крошечные щелчки во времени: сигнал внезапно подпрыгивает, остаётся на этом уровне некоторое время, а затем возвращается обратно. Эти скачки, известные как случайные телеграфные сигналы, могут показать, когда одиночный дефект в микросхеме захватил электрон или когда молекулярный механизм в биологии переключился в другое состояние. Но в реальных измерениях эти скачки похоронены под шипением и фоном от множества других источников шума. В статье представлен быстрый конвейер анализа без обучения, который автоматически очищает такие данные, восстанавливает скрытые шаблоны скачков и делает это достаточно надёжно для перспективных технологий — квантовых устройств и сенсоров следующего поколения.

Наблюдение скачков в море шума

Случайный телеграфный сигнал подобен свету, который случайным образом переключается между двумя или более уровнями яркости. По этим паттернам переключений исследователи могут оценить, как долго дефект или молекулярный сайт обычно находятся в состоянии «включено» или «выключено», и насколько сильно он воздействует на сигнал. Эта информация напрямую связана с надёжностью наноразмерных транзисторов, матриц в изображениях и квантовых битов. Проблема в том, что реальные сигналы редко бывают чистыми: они смешаны с «белым» шумом, равномерно распределённым по частотам, и «розовым» или 1/f шумом, который дрейфует медленно и может полностью скрыть основополагающие ступени. По мере уменьшения размеров устройств и увеличения разрешения по времени эти источники шума становятся всё более значимыми, затрудняя отделение истинных физических событий от фоновой помехи.

Более умный конвейер очистки и подсчёта

Авторы предлагают трёхэтапный модульный конвейер, который работает без обучения машин. Сначала продвинутый вейвлетный инструмент — двойное дерево комплексного вейвлет-преобразования — адаптивно очищает исходный сигнал. Его параметры выбираются автоматически на основе простых свойств данных, так что пользователю не нужно вручную настраивать параметры. Эта стадия особенно хороша в удалении быстрого белого шума при сохранении резких краёв реальных скачков. Затем очищенный сигнал статистически анализируют, чтобы найти наиболее распространённые уровни амплитуды, как будто определяют наиболее часто посещаемые перекладины лестницы. Наконец, лёгкий байесовский этап переводит сглаженный сигнал в цифровую запись того, какой уровень активен в каждый момент, и вычисляет, как долго обычно длится каждое состояние.

Испытание метода

Чтобы оценить, насколько хорошо работает конвейер, команда создала большие синтетические наборы данных, в которых истинные паттерны скачков заранее известны. Они сгенерировали тысячи случайных телеграфных сигналов с одним, двумя или тремя независимыми «ловушками», затем смешали их с контролируемыми количествами белого или розового шума. Это позволило проверить, как точно разные методы восстанавливают ключевые величины: число активных ловушек, размер каждого скачка, долю времени, в которую каждое состояние активно, и как долго сигнал задерживается в каждом состоянии перед переключением. Они сравнили четыре полных рабочие схемы: простое усредняющее фильтрование, фильтрацию в частотной области, мощный денойзер на основе нейронной сети и их новый конвейер на основе вейвлетов и байеса. Хотя нейронная сеть показала наивысшее значение по базовой мере сигнал/шум, новый метод более последовательно определял правильное число ловушек, точнее оценивал размеры скачков и оставался устойчивым даже при очень высоких уровнях шума или при доминировании розового шума.

Достаточно быстро для устройств в реальном времени

Помимо точности, скорость и требования к памяти критичны при работе с очень длинными записями. Одно измерение продолжительностью сто секунд с наносекундным разрешением может содержать миллиарды точек данных, что слишком много для обработки многими моделями нейронных сетей за разумное время. Предложенный конвейер обрабатывает длинные сигналы примерно в 83 раза быстрее, чем нейронная база, при этом требуя до трёх раз больше памяти — всё ещё практичный компромисс на современном оборудовании. Авторы также применяют свой метод к реальным данным от устройств на основе углеродных нанотрубок, работающих при низких температурах. Хотя в этих экспериментах нет «истинной» эталонной последовательности, конвейер даёт чёткие, интерпретируемые шаблоны ступеней и разумную статистику состояний без повторного обучения или настройки под конкретное устройство, и предоставляет управляющие параметры для экспертов, желающих исследовать альтернативные интерпретации.

Что это значит в будущем

Проще говоря, эта работа даёт надёжный «детектор щелчков» для очень шумных высокоскоростных измерений. Она показывает, что с тщательно разработанными инструментами без обучения исследователи могут автоматически очищать сложные случайные телеграфные сигналы, правильно подсчитывать, сколько независимых точек переключения присутствует, и измерять, насколько сильно и как часто они действуют. Поскольку метод быстрый, прозрачный и легко адаптируемый, он может стать основой для будущих автоматизированных стендов тестирования в полупроводниковом производстве, генераторов квантовых случайных чисел и исследований флуктуаций сигналов в химии и биологии. Вместо разового трюка этот конвейер служит фундаментом, на котором можно строить более специализированные или интеллектуальные модули для всё более сложных устройств.

Цитирование: 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

Ключевые слова: случайный телеграфный сигнал, денойзинг сигналов, байесовский анализ, шум в полупроводниках, временные ряды