一种高性能、无需训练的管线：通过自适应小波去噪与贝叶斯数字化方法对鲁棒随机电报信号进行表征

为什么微弱的信号闪烁很重要

在现代电子器件乃至活细胞内部，重要事件常表现为时间上的微小“咔嗒”声：信号突然跃升、维持一段时间，然后又回落。这类跃变称为随机电报信号，可揭示芯片中单个缺陷何时俘获电子，或生物分子机器何时发生态位切换。但在真实测量中，这些跃变被多种噪声淹没。本文介绍了一条快速、无需训练的分析管线，能够自动清理此类数据、恢复隐藏的跃变模式，并以足够的可靠性支撑未来技术，如量子器件和新一代传感器。

在噪声海洋中辨识跃变

随机电报信号类似于在亮度之间随机翻转的灯。从这些翻转模式，研究者可以推断出某个缺陷或分子位点倾向于保持“开”或“关”状态的时长，以及其影响的强弱。这些信息直接关联到纳米级晶体管、图像传感器和量子比特的可靠性。挑战在于真实信号很少是干净的：它们混有“白噪声”，该噪声在所有频率上均匀分布，以及会缓慢漂移、能完全掩盖底层阶跃的“粉红”或1/f噪声。随着器件尺寸缩小并以更细的时间分辨率监测它们，这些噪声源变得越发重要，使得将真正的物理事件与背景杂波区分开变得更加困难。

更智能的清理与计数管线

作者提出了一条由三步组成的模块化管线，且无需任何机器学习训练。首先，使用一种先进的小波工具——双树复小波变换，来自适应地对原始信号去噪。其参数由数据的简单属性自动选择，用户无需手动调参。该阶段特别擅长去除快速的白噪声，同时保留真实跃变的锐利边缘。然后，对清理后的信号进行统计分析，以发现最常出现的振幅水平，类似于识别最常被访问的梯级。最后，一个轻量级的贝叶斯步骤将平滑后的信号翻译为每个时刻处于哪个电平的数字记录，并计算每个状态典型持续的时间。

将方法付诸检验

为了评估管线的性能，团队构建了大规模的合成数据集，其中真实跃变模式事先已知。他们生成了成千上万个具有一、二或三处独立“陷阱”的随机电报信号，然后混入受控量的白噪声或粉红噪声。这样他们就能检查不同方法在恢复关键量方面的准确性：活跃陷阱的数量、各跃变的大小、每个状态活跃的时间比例，以及信号在每个状态停留多长时间才切换。他们对比了四种完整的工作流程：简单移动平均滤波、频域滤波、基于强大神经网络的去噪器，以及他们的新型小波加贝叶斯管线。尽管神经网络在基本的信噪比指标上得分最高，但新方法在更一致地识别正确陷阱数量、更加准确地估计跃变幅度，并在噪声水平极高或粉红噪声占优时仍保持鲁棒性方面表现更佳。

足够快以满足实时设备需求

除了准确性，速度和内存需求在处理极长记录时也至关重要。一段百秒、纳秒分辨率的测量可能包含数十亿个数据点，许多神经网络模型无法在合理时间内处理如此规模。所提出的管线在处理长信号时的速度比神经网络基线快约83倍，代价是使用多达三倍的内存——在现代硬件上仍是可行的权衡。作者还将其方法应用于低温下工作的碳纳米管器件的实测数据。虽然这些实验没有“地面真值”，但该管线无需重训或针对设备特定地调优，即可产生清晰、可解释的阶跃模式和合理的状态统计，并为希望探索替代解释的专家提供可调节的参数选项。

展望

简而言之，这项工作提供了一个可靠的“点击探测器”，用于极其嘈杂的高速测量。它表明，借助精心设计的、无需训练的工具，研究者可以自动清理复杂的随机电报信号，正确计数有多少独立切换位点，并测量它们的强度与频率。由于该方法快速、透明且易于适配，它可为未来的自动化测试台（如半导体制造测试、量子随机数发生器）以及化学和生物中波动信号的研究提供基础。该管线并非一次性技巧，而是一个可在其上构建更专业或更智能模块，以应对日益复杂器件的基础框架。

引用: 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

关键词: 随机电报信号, 信号去噪, 贝叶斯分析, 半导体噪声, 时间序列