في أقصى جنوب الكرة الأرضية، تقع محطة IceCube الشهيرة، وهي كاشف نيوترينوات ضخم بمساحة تصل إلى كيلومتر مكعب. تكمن أهمية هذا المرفق في قدرته على تحديد الاتجاه الدقيق للنيوترينوات، وهو أمر حاسم لتكوين ارتباطات مع الأجرام السماوية. في دراسة حديثة، تم تقديم طريقة مبتكرة تعتمد على تقنيات التعلم العميق، على وجه الخصوص، استخدام مرمز التحويل (Transformer Encoder) الذي يهتم بتقدير الاتجاه باستخدام توزيع تدفق تنظيم طبيعي (Normalizing Flow) على الكرة.

تتميز هذه الطريقة بتحقيق دقة زوايا غير مسبوقة لكل من نمطَي الحدث الرئيسيين في IceCube - المسارات (Tracks) والانفجارات (Showers) - وتعمل بشكل أسرع بشكل ملحوظ مقارنة بأساليب التحليل التقليدية المعتمدة على B-splines. فبدلاً من الساعات التي تستغرقها عمليات المسح الشامل للسماء، يمكن تنفيذها في ثوانٍ معدودة، حيث تظل أوقات الحوسبة ثابتة، سواء كان نطاق التقدير في الدقائق أو يمتد عبر السماء بأكملها.

تجمع الدراسة بين أساليب متعددة من السلاسل الرباعية الرقيقة (Rational-Quadratic Splines) وتحولات المقاييس والدورانات لتعريف توزيع تدفق تنظيم طبيعي كروي مبتكر، حيث يتم التنبؤ بمعاييره ككل كنتيجة لمخرج مرمز التحويل. تم اختبار عدة خيارات هيكلية مبتكرة تتجاوز الهيكل الأساسي لمرمز التحويل.

توصل الباحثون إلى أن استخدام مجاري الاحتياطي المزدوج، وتحويلات QKV غير الخطية، ورمز فئة منفصل بمعالجة الانتباه المتقاطع يعزز الأداء في وقت الاختبار. نتيجة لذلك، تحسنت دقة الزوايا لكلا النمطين بشكل كبير عبر نطاق الطاقة المدرب الذي يتراوح من 100 GeV إلى 100 PeV. ولأكثر من 100 TeV من الطاقة المدفوعة، تحسنت دقة الزوايا بمقدار 1.3 للمسارات المستمرة، و1.7 للانفجارات، و2.5 للمسارات الابتدائية مقارنة بأساليب البيئة الحالية. يُذكر أن معظم جهود التعلم الآلي السابقة لم تتجاوز دقة الانفجارات، لكن هذه المرة، تبرز هذه الطريقة الجديدة كالأولى التي تتفوق على إعادة بناء الميونات القائمة على الاحتمالات فوق 100 GeV.