⚛️ phenomenology

Lecture notes on Machine Learning applications for global fits

यह शोध पत्र मशीन लर्निंग सरोगेट्स, विशेष रूप से एक्टिव लर्निंग के माध्यम से प्रशिक्षित बूस्टेड डिसीजन ट्रीज़ का उपयोग करके, लॉग-लाइकलीहुड फलनों (log-likelihood functions) को अनुमानित करने और पैरामीटर स्पेस को कुशलतापूर्वक खोजने के लिए, उच्च-ऊर्जा भौतिकी (high-energy physics) के ग्लोबल फिट्स को त्वरित करने हेतु एक व्यापक ढांचे को प्रस्तुत करता है, जैसा कि Belle II में $B^\pm \to K^\pm \nu \bar{\nu}$ विसंगति और एक्सियन-लाइक पार्टिकल्स (Axion-Like Particles) पर एक अनुप्रयोग द्वारा प्रदर्शित किया गया है।

मूल लेखक: Jorge Alda

प्रकाशित 2026-04-10

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jorge Alda

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ लेक्चर नोट्स का हिंदी अनुवाद दिया गया है, जिसमें मूल अर्थ, लहजा, शैली और उपमाओं को यथावत रखा गया है:

बड़ी तस्वीर: घास के ढेर में सुई ढूँढना (जो कि आग की लपटों में है)

कल्पना कीजिए कि आप एक भौतिक विज्ञानी (physicist) हैं जो एक नए, अदृश्य कण (मान लीजिए इसे "एक्सियन" (Axion) कहते हैं) को खोजने की कोशिश कर रहे हैं, जो ब्रह्मांड में एक अजीब सी गड़बड़ी की व्याख्या कर सकता है। ऐसा करने के लिए, आपको दर्जनों डायल और नॉब्स (पैरामीटर्स) वाला एक विशाल गणितीय मॉडल बनाना होगा। आपको इन नॉब्स को घुमाना होगा ताकि आप वह सटीक सेटिंग पा सकें जहाँ आपका मॉडल जापान के Belle II प्रयोग द्वारा एकत्र किए गए वास्तविक दुनिया के डेटा से मेल खाता हो।

समस्या:
पुराने दिनों में, सही सेटिंग्स ढूँढना एक सूफ़ले (soufflé) के लिए एकदम सही तापमान खोजने जैसा था—एक केक बनाना, उसे चेक करना, ओवन को एडजस्ट करना और फिर दूसरा केक बनाना।

चुनौती: हर बार जब आप "केक बनाते हैं" (एक भविष्यवाणी की गणना करते हैं), तो इसमें 10 सेकंड लगते हैं।
पैमाना: सही सेटिंग खोजने के लिए, आपको शायद 100,000 केक बनाने पड़ सकते हैं। यह 27 घंटे की निरंतर बेकिंग है। यदि आप पूरी तरह से गहन होना चाहते हैं, तो इसमें हफ्तों लग सकते हैं। यह बहुत धीमा है।

समाधान:
यह पेपर भौतिकविदों को एक सुपर-फास्ट AI sous-chef (मशीन लर्निंग) को काम पर रखने का तरीका सिखाता है, जो बैटर (घोल) को चख सके और तुरंत परिणाम का अनुमान लगा सके, ताकि आपको हर बार वास्तव में केक न बनाना पड़े।

चरण-दर-चरण रेसिपी

1. "स्मार्ट टेस्टर" (एक्टिव लर्निंग और गॉसियन प्रोसेस)

आप अपने मॉडल को यह देखने के लिए रैंडम तरीके से तीर नहीं चला सकते कि क्या होता है; यह अक्षम है। इसके बजाय, पेपर एक स्मार्ट टेस्टर का उपयोग करने का सुझाव देता है।

यह कैसे काम करता है: कल्पना कीजिए कि आप एक अंधेरी गुफा की खोज कर रहे हैं। आप बेतरतीब ढंग से नहीं चलते। आप एक कदम लेते हैं, एक आवाज़ सुनते हैं, और निर्णय लेते हैं: "क्या मुझे यहाँ और गहराई में जाना चाहिए (Exploitation) या उस अंधेरे कोने की जाँच करनी चाहिए जहाँ मुझे यकीन नहीं है कि क्या हो रहा है (Exploration)?"
उपकरण: AI एक "गॉसियन प्रोसेस" का उपयोग यह अनुमान लगाने के लिए करता है कि सबसे अच्छी सेटिंग्स कहाँ हैं और वह कहाँ सबसे अधिक भ्रमित है। यह आपसे केवल सबसे दिलचस्प जगहों पर ही उस महंगी 10-सेकंड वाली गणना को चलाने के लिए कहता है। इससे आप उन 99% केक बनाने से बच जाते हैं जिनकी आपको ज़रूरत नहीं है।

2. "स्पीड-रीडिंग शेफ" (बूस्टेड डिसीजन ट्री / XGBoost)

एक बार जब आपके पास "बेक किए गए केक" (डेटा पॉइंट्स) का एक छोटा, उच्च-गुणवत्ता वाला डेटासेट हो जाता है, तो आपको AI को किसी भी नई सेटिंग के परिणाम का तुरंत अनुमान लगाना सिखाने की आवश्यकता होती है।

उपमा: एक डिसीजन ट्री को "20 सवाल" (20 Questions) के खेल के रूप में सोचें।
- सवाल 1: क्या नॉब 5 से आगे मुड़ा हुआ है? (हाँ/नहीं)
- सवाल 2: क्या दूसरा नॉब लाल है? (हाँ/नहीं)
- परिणाम: "ठीक है, अगर आपने ऐसा किया, तो केक स्वादिष्ट होगा।"
बूस्टेड ट्री: एक "20 सवाल" वाला खेल काफी स्मार्ट नहीं है। इसलिए, AI इन सरल खेलों की एक टीम बनाता है। वे उत्तर पर वोट करते हैं। यह टीम (जिसे XGBoost कहा जाता है) जटिल भौतिकी गणित को कभी चलाए बिना ही परिणाम का अनुमान लगाने में अविश्वसनीय रूप से सटीक हो जाती है। यह 10-सेकंड की गणना को एक माइक्रोसेकंड के अनुमान में बदल देता है।

3. "अनुवादक" (SHAP वैल्यूज़)

AI अक्सर एक "ब्लैक बॉक्स" होता है—आप नंबर डालते हैं, और एक नंबर बाहर आता है, लेकिन आपको पता नहीं होता कि क्यों। भौतिकविदों को यह पसंद नहीं है क्योंकि उन्हें प्रकृति के नियमों को समझने की आवश्यकता होती है।

उपमा: कल्पना कीजिए कि AI एक शेफ है जो कहता है, "यह केक एकदम सही है।" आप पूछते हैं, "क्यों?"
उपकरण: SHAP वैल्यूज़ एक अनुवादक के रूप में कार्य करती हैं। वे शेफ के निर्णय को तोड़कर समझाती हैं: "केक इसलिए एकदम सही है क्योंकि आपने ठीक उतनी ही चीनी डाली (पैरामीटर A), लेकिन आपने बहुत अधिक आटा (पैरामीटर B) इस्तेमाल किया, जिसने खराब स्वाद को संतुलित कर दिया।"
यह भौतिकविदों को यह देखने की अनुमति देता है कि कौन से "नॉब्स" परिणामों को संचालित कर रहे हैं और क्या AI भौतिक रूप से सही मायने रखता है।

4. "मैप मेकर" (MCMC सैंपलिंग)

अब जबकि AI तुरंत परिणाम का अनुमान लगा सकता है, भौतिकविद् संभावनाओं के पूरे परिदृश्य का मानचित्र बनाना चाहते हैं। वे न केवल "सर्वश्रेष्ठ" सेटिंग जानना चाहते हैं, बल्कि "अच्छी" सेटिंग्स और उनकी संभावना कितनी है, यह भी जानना चाहते हैं।

उपमा: कल्पना कीजिए कि 20 हाइकर्स (वॉकर) को पैरामीटर स्पेस में भेजना। वे घूमते हैं, लेकिन वे समझदार हैं। यदि उन्हें एक ऊँचा पहाड़ (एक अच्छा फिट) मिलता है, तो वे वहीं रुक जाते हैं। यदि उन्हें एक दलदल (एक बुरा फिट) मिलता है, तो वे छोड़ देते हैं।
परिणाम: कुछ समय के बाद, हाइकर्स एक बादल का रूप ले लेते हैं। बादल का सबसे घना हिस्सा आपको दिखाता है कि "सच्चा" उत्तर कहाँ छिपा होने की संभावना है। इसे MCMC (मार्कोव चेन मोंटे कार्लो) कहा जाता है। क्योंकि AI इतना तेज़ है, हाइकर्स वर्षों के बजाय मिनटों में पूरे पर्वत श्रृंखला का पता लगा सकते हैं।

वास्तविक दुनिया का परीक्षण: "मिसिंग एनर्जी" का रहस्य

पेपर इन सभी उपकरणों को एक विशिष्ट रहस्य पर लागू करता है: $B^{\pm} \to K^{\pm}\nu\bar{\nu}$ विसंगति (anomaly)।

रहस्य: Belle II प्रयोग ने एक B-मेसॉन को काऑन (Kaon) और "मिसिंग एनर्जी" (न्यूट्रिनो) में बदलते देखा, जो स्टैंडर्ड मॉडल की भविष्यवाणी से अधिक है। यह एक 2.7-सिग्मा संकेत है (एक मजबूत फुसफुसाहट, लेकिन चिल्लाहट नहीं) कि कुछ नया हो रहा है।
संदिग्ध: एक हल्का, अदृश्य कण जिसे एक्सियन-लाइक पार्टिकल (ALP) कहा जाता है।
चुनौती: ALP को इतना भारी होना चाहिए कि वह डेटा की व्याख्या कर सके, लेकिन उसे "लंबे समय तक जीवित रहने वाला" (स्थिर) भी होना चाहिए ताकि वह बहुत जल्दी नष्ट न हो जाए और अन्य प्रयोगों द्वारा पकड़ा न जा सके। यह एक नाजुक संतुलन है।
जीत: ऊपर वर्णित ML टूल्स का उपयोग करते हुए, लेखकों ने एक ऐसा मॉडल बनाया जो इस पेचीदा संतुलन को संभाल सका। उन्होंने "नॉब्स" (कपलिंग्स) का एक विशिष्ट सेट खोज निकाला जो अन्य डिटेक्टरों से छिपने के लिए पर्याप्त स्थिर रखते हुए Belle II डेटा की व्याख्या करता है।

यह क्यों मायने रखता है

यह पेपर केवल एक कण के बारे में नहीं है; यह विज्ञान करने के एक नए तरीके के बारे में है।

गति: यह हफ्तों की कंप्यूटिंग को मिनटों में बदल देता है।
स्पष्टता: यह AI को एक जादुई ब्लैक बॉक्स बनने से रोकता है और इसे एक पारदर्शी उपकरण बनाता है जिस पर वैज्ञानिक भरोसा कर सकें।
भविष्य के लिए तैयारी: जैसे-जैसे प्रयोग बड़े होते जा रहे हैं और डेटा अधिक जटिल होता जा रहा है, हम जवाबों के लिए हफ्तों इंतजार नहीं कर सकते। हमें इन "AI sous-chefs" की आवश्यकता है ताकि वे हमें ब्रह्मांड की अगली बड़ी खोज खोजने में मदद कर सकें।

संक्षेप में: लेखकों ने कंप्यूटर को ब्रह्मांड के नियमों को इतनी तेज़ी से सीखना सिखाया कि वह भौतिकविदों की मदद कर सके कि वे कॉफी खत्म होने से पहले नए कणों को खोज लें।

यहाँ जॉर्ज अल्डा के व्याख्यान नोट्स "Machine Learning applications for global fits" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

उच्च ऊर्जा भौतिकी (High-Energy Physics - HEP) में, ग्लोबल स्टैटिस्टिकल फिट्स (global statistical fits) सैद्धांतिक मॉडलों का प्रयोगात्मक डेटा के साथ परीक्षण करने के लिए आवश्यक हैं। ये फिट्स लाइकलीहुड फंक्शन (likelihood function) $L(\theta)$ पर निर्भर करते हैं, जो मॉडल मापदंडों $\theta$ के दिए जाने पर डेटा को देखने की प्रायिकता को मापता है।

बाधा (The Bottleneck): लाइकलीहुड फंक्शन के मिनिमाइजेशन (minimization) और स्कैनिंग के लिए हजारों मूल्यांकनों (evaluations) की आवश्यकता होती है। कई आधुनिक परिदृश्यों में (जैसे स्टैंडर्ड मॉडल इफेक्टिव फील्ड थ्योरी या न्यू फिजिक्स मॉडल), मॉडल भविष्यवाणियों $x_i(\theta)$ की गणना करना एक अत्यंत महंगा और समय लेने वाला कार्य है, जैसे कि रिनॉर्मलाइजेशन ग्रुप इक्वेशंस (RGEs) का संख्यात्मक एकीकरण (numerical integration)।
परिणाम: गणना की उच्च लागत पारंपरिक मिनिमाइजेशन को अव्यवहारिक बना देती है, जिससे पैरामीटर स्पेस का गहन अन्वेषण करना कठिन हो जाता है, विशेष रूप से गैर-गौसियन (non-Gaussian) अवलोकनों या जटिल सहसंबंधों (complex correlations) के मामले में।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र एक व्यापक मशीन लर्निंग (ML) सरोगेट फ्रेमवर्क प्रस्तावित करता है जो लाइकलीहुड फंक्शन का अनुमान लगाने के लिए बनाया गया है, ताकि बार-बार होने वाली महंगी गणनाओं की आवश्यकता को समाप्त किया जा सके। यह वर्कफ़्लो चार मुख्य चरणों से बना है:

A. डेटा जनरेशन के लिए एक्टिव लर्निंग (Active Learning for Data Generation)

ट्रेनिंग डेटासेट बनाने के लिए आवश्यक महंगे लाइकलीहुड मूल्यांकनों की संख्या को कम करने के लिए, लेखक एक्टिव लर्निंग का उपयोग करते हैं:

रणनीति: एक छोटे प्रारंभिक डेटासेट (जैसे लैटिन हाइपरक्यूब सैंपलिंग) से शुरू होता है। एक ML एल्गोरिदम निम्नलिखित के बीच संतुलन बनाकर नए बिंदुओं का चयन करने के लिए पुनरावृत्ति (iteratively) करता है:
- एक्सप्लोइटेशन (Exploitation): वर्तमान इष्टतम (optimum) के पास नमूना लेना (उच्चतम लाइकलीहुड)।
- एक्सप्लोरेशन (Exploration): उच्च अनिश्चितता वाले क्षेत्रों में नमूना लेना।
उपकरण: इस चरण के दौरान सरोगेट के रूप में गौसियन प्रोसेस (Gaussian Processes - GP) का उपयोग किया जाता है क्योंकि वे भविष्यवाणी के साथ-साथ अनिश्चितता का अनुमान भी प्रदान करते हैं।
एक्विजिशन फंक्शन (Acquisition Function): बेहतर न्यूनतम (minimum) खोजने की क्षमता और मॉडल की अनिश्चितता को कम करने की आवश्यकता के बीच संतुलन बनाने के लिए एक्सपेक्टेड इम्प्रूवमेंट (Expected Improvement - EI) का उपयोग किया जाता है।

B. बूस्टेड डिसीजन ट्री के साथ सरोगेट मॉडलिंग (Surrogate Modeling with Boosted Decision Trees)

एक बार ट्रेनिंग डेटा जेनरेट हो जाने के बाद, लॉग-लाइकलीहुड (या $\chi^2$ ) सतह का अनुमान लगाने के लिए एक बूस्टेड डिसीजन ट्री (BDT) एन्सेम्बल, विशेष रूप से XGBoost, को प्रशिक्षित किया जाता है।

आर्किटेक्चर: रिग्रेशन ट्री का एक समूह जहाँ प्रत्येक पेड़ पिछले पेड़ों की त्रुटियों को सुधारता है।
ट्रेनिंग: ओवरफिटिंग को रोकने के लिए लॉस फंक्शन (मीन एब्सोल्यूट एरर) और रेगुलराइजेशन टर्म्स का उपयोग करता है।
ऑप्टिमाइजेशन: हाइपरपैरामीटर्स (लर्निंग रेट, ट्री डेप्थ, रेगुलराइजेशन $\alpha/\lambda$ , सबसैंपलिंग) को Optuna का उपयोग करके ट्यून किया जाता है और वैलिडेशन सेट प्रदर्शन के आधार पर 'अर्ली स्टॉपिंग' का उपयोग किया जाता है।
त्वरण (Acceleration): प्रशिक्षित मॉडलों को बाइनरी फाइलों के रूप में सहेजा जा सकता है या मूल्यांकन में महत्वपूर्ण गति प्राप्त करने के लिए C लाइब्रेरीज (जैसे tl2cgen/treelite) में संकलित किया जा सकता है।

C. SHAP वैल्यूज के माध्यम से व्याख्यात्मकता (Interpretability via SHAP Values)

यह सुनिश्चित करने के लिए कि ML की "ब्लैक बॉक्स" प्रकृति भौतिक अंतर्दृष्टि (physical insights) को बाधित न करे, यह फ्रेमवर्क SHAP (SHapley Additive exPlanations) वैल्यूज का उपयोग करता है:

लोकल इंटरप्रिटेबिलिटी (Local Interpretability): प्रत्येक पैरामीटर के योगदान को एक विशिष्ट पैरामीटर बिंदु के लिए भविष्यवाणी में विभाजित करता है।
ग्लोबल इंटरप्रिटेबिलिटी (Global Interpretability): यह निर्धारित करने के लिए SHAP वैल्यूज को एकत्रित करता है कि कौन से पैरामीटर्स वैश्विक स्तर पर मॉडल को संचालित करते हैं।
इंटरेक्शन (Interactions): पैरामीटर्स के बीच संबंधों (जैसे कि एक कपलिंग का प्रभाव दूसरे पर कैसे निर्भर करता है) को मापने के लिए shapiq लाइब्रेरी का उपयोग करता है।

D. पोस्टीरियर सैंपलिंग (Posterior Sampling)

तेज़ सरोगेट मॉडल के साथ, यह फ्रेमवर्क बायेसियन इन्फरेंस (Bayesian inference) करता है:

एल्गोरिदम: emcee लाइब्रेरी (एफाइन-इनवेरिएंट एन्सेम्बल सैंपलर) के माध्यम से मार्कोव चेन मोंटे कार्लो (MCMC) का उपयोग करता है।
प्रक्रिया: सैंपलर पोस्टीरियर डिस्ट्रीब्यूशन $p(\theta|data) \propto L(\theta) \times \text{Prior}(\theta)$ द्वारा परिभाषित पैरामीटर स्पेस का अन्वेषण करता है।
आउटपुट: अपेक्षित मान (expected values), कॉन्फिडेंस इंटरवल और मल्टी-डायमेंशनल कंटूर (contours) की गणना करने के लिए सैंपल उत्पन्न करता है।

3. प्रमुख योगदान (Key Contributions)

एंड-टू-एंड ML वर्कफ़्लो: ग्लोबल फिट्स के लिए एक पुनरुत्पादक (reproducible) पाइपलाइन प्रदान करता है, जिसमें एक्टिव लर्निंग, XGBoost रिग्रेशन, हाइपरपैरामीटर ट्यूनिंग और MCMC सैंपलिंग को एकीकृत किया गया है।
दो-चरणीय मॉडलिंग रणनीति: $\chi^2$ $χ^{2}$ के बड़े डायनेमिक रेंज की समस्या को हल करने के लिए एक दो-चरणीय दृष्टिकोण प्रस्तावित करता है:
- एक क्लासिफायर उन क्षेत्रों को हटा देता है जहाँ $\Delta\chi^2$ बहुत अधिक है (शोर/noise)।
- एक रिग्रेटर को केवल भौतिक रूप से प्रासंगिक क्षेत्र (कम $\chi^2$ ) पर प्रशिक्षित किया जाता है, जिससे महत्वपूर्ण स्थानों पर सटीकता में सुधार होता है।
व्याख्यात्मकता एकीकरण: यह दर्शाता है कि कैसे SHAP वैल्यूज का उपयोग केवल मॉडल डीबगिंग के लिए ही नहीं, बल्कि जटिल न्यू फिजिक्स मॉडलों में भौतिक पैरामीटर प्रभावों और इंटरेक्शन को समझने के लिए किया जा सकता है।
कोड रिपॉजिटरी: gpflow, xgboost, shap, emcee, और alpaca जैसी लाइब्रेरी का उपयोग करते हुए पायथन कार्यान्वयन के साथ एक पूर्ण ट्यूटोरियल रिपॉजिटरी (Jorge-Alda/comcha_tutorial) प्रदान करता है।

4. अनुप्रयोग और परिणाम (Application and Results)

इस कार्यप्रणाली को Belle II प्रयोग द्वारा देखे गए $B^\pm \to K^\pm \nu\bar{\nu}$ विसंगति (anomaly) पर लागू किया गया है।

भौतिक संदर्भ (Physics Context): स्टैंडर्ड मॉडल (SM) एक बहुत ही दुर्लभ फ्लेवर चेंजिंग न्यूट्रल करंट (FCNC) क्षय (decay) की भविष्यवाणी करता है। Belle II ने $2.7\sigma$ का अतिरिक्त (excess) देखा है।
मॉडल: इस विसंगति को एक हल्के एक्सियन-लाइक पार्टिकल (ALP) ( $m \approx 2$ GeV) द्वारा समझाया जा सकता है जो $B^+ \to K^+ a$ क्षय को मध्यस्थता प्रदान करता है, जिसके बाद $a \to \nu\bar{\nu}$ होता है (जो मिसिंग एनर्जी के रूप में दिखाई देता है)।
प्रतिबंध (Constraints): मॉडल को निम्नलिखित को संतुष्ट करना चाहिए:
- देखा गया ब्रांचिंग रेशियो (branching ratio) अतिरिक्त।
- दीर्घायु प्रतिबंध (Longevity constraints) ( $c\tau \geq 80$ cm) ताकि Belle II और BaBar में क्षय उत्पादों का पता न चल सके।
- अन्य FCNC प्रक्रियाओं और मेसॉन ऑसिलेशन से जुड़े प्रतिबंध।
परिणाम:
- ML सरोगेट ने उच्च-आयामी पैरामीटर स्पेस (जिसमें ALP कपलिंग $c_f$ और डिके कांस्टेंट $f_a$ शामिल हैं) को सफलतापूर्वक मैप किया।
- इसने एक व्यवहार्य क्षेत्र की पहचान की जहाँ ALP कपलिंग आवश्यक क्षय दर की अनुमति देती है, जबकि दृश्य कणों (visible particles) में ALP के क्षय को दबा देती है (ट्री-लेवल और RGE-प्रेरित कपलिंग के बीच कैंसिलेशन के माध्यम से)।
- दृष्टिकोण ने प्रदर्शित किया कि एक दो-चरणीय ML मॉडल सीधे संख्यात्मक एकीकरण (direct numerical integration) के साथ कम्प्यूटेशनल रूप से कठिन होने वाले कड़े प्रयोगात्मक प्रतिबंधों को पूरा करते हुए पैरामीटर स्पेस का कुशलतापूर्वक अन्वेषण कर सकता है।

5. महत्व (Significance)

यह कार्य उच्च ऊर्जा भौतिकी में प्रयोगात्मक डेटा के विरुद्ध सैद्धांतिक मॉडलों को परखने के तरीके में एक आदर्श बदलाव (paradigm shift) का प्रतिनिधित्व करता है:

कम्प्यूटेशनल दक्षता: यह ग्लोबल फिट्स को लाइकलीहुड मूल्यांकन की लागत से बदलकर केवल ML इन्फरेंस की गति तक सीमित कर देता है (क्रमशः कई गुना तेज़)।
स्केलेबिलिटी: यह विधि मध्यम-आयामी पैरामीटर स्पेस ( $\lesssim 50$ पैरामीटर्स) के लिए मजबूत है और गैर-डिफरेंशिएबल (non-differentiable) लाइकलीहुड को संभालती है (जो RGE-आधारित मॉडलों में सामान्य है) जहाँ ग्रेडिएंट-आधारित विधियाँ विफल हो जाती हैं।
भौतिक अंतर्दृष्टि: SHAP वैल्यूज को एकीकृत करके, यह विधि केवल पैरामीटर अनुमान से आगे बढ़कर व्याख्यात्मकता (interpretability) प्रदान करती है, जिससे भौतिकविदों को यह समझने में मदद मिलती है कि कोई मॉडल डेटा को क्यों फिट करता है (उदाहरण के लिए, विशिष्ट पैरामीटर कैंसिलेशन की पहचान करना)।
भविष्य की तैयारी: जैसे-जैसे डेटासेट बढ़ते हैं और मॉडल अधिक जटिल होते जाते हैं (जैसे पूर्ण SMEFT फिट), ये व्याख्यात्मक और कुशल ML तकनीकें नई भौतिकी के सूक्ष्म संकेतों की खोज के लिए आवश्यक उपकरण के रूप में स्थापित हैं।