⚛️ high-energy experiments

Explainable AI for Jet Tagging: A Comparative Study of GNNExplainer, GNNShap, and GradCAM for Jet Tagging in the Lund Jet Plane

यह योगदान लंड-जेट-प्लेन (Lund-Jet-Plane) के निरूपण के लिए अनुकूलित पर्टरबेशन-आधारित (perturbation-based), शापली-वैल्यू-आधारित (Shapley-value-based), और ग्रेडिएंट-आधारित (gradient-based) व्याख्यात्मक विधियों का मूल्यांकन और तुलना करता है और यह प्रदर्शित करता है कि ये तकनीकें न्यूरल नेटवर्क के भविष्यवाणियों को शास्त्रीय क्यूसीडी (QCD) अवलोकनों के साथ सफलतापूर्वक सह-संबंधित करती हैं, जबकि जेट टैगिंग में पर्टरबेटिव (perturbative) और नॉन-पर्टरबेटिव (non-perturbative) क्षेत्रों के बीच ध्यान के स्पष्ट बदलावों को भी प्रकट करती हैं।

मूल लेखक: Pahal D. Patel, Sanmay Ganguly

प्रकाशित 2026-04-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pahal D. Patel, Sanmay Ganguly

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 इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी तस्वीर: "ब्लैक बॉक्स" की समस्या

कल्प Imagine कीजिए कि आप एक अपराधी को सुलझाने की कोशिश कर रहे हैं एक जासूस हैं। आपके पास एक सुपर-स्मार्ट AI सहायक है जो एक अस्त-व्यस्त अपराध स्थल को देख सकता है और 99 प्रतिशत सटीकता के साथ बता सकता है कि अपराधी कौन है। हालाँकि, जब आप AI से पूछते हैं कि वह ऐसा क्यों मानता है, तो वह केवल इतना जवाब देता है: "मुझे यकीन है।" वह आपको कोई नोट्स नहीं दिखाता और न ही अपने निष्कर्षों की व्याख्या करता है।

पार्टिकल फिजिक्स की दुनिया में (विशेष रूप से लार्ज हैड्रॉन कोलाइडर में), वैज्ञानिक जेट्स (jets) की पहचान करने के लिए इसी तरह के "ब्लैक बॉक्स" AI मॉडल का उपयोग करते हैं। जेट्स सूक्ष्म कणों की धाराएं हैं जो प्रोटॉन के टकराने पर बनती हैं। कभी-कभी ये जेट्स साधारण कणों (जैसे क्वार्क्स या ग्लुऑन्स) से आते हैं, और कभी दुर्लभ, भारी कणों (जैसे हिग्स बोसोन या टॉप क्वार्क) से।

AI अंतर पहचानने में उत्कृष्ट है, लेकिन भौतिकविदों (physicists) को चिंता है: क्या AI वास्तव में भौतिकी के नियमों को सीख रहा है, या यह केवल उस कंप्यूटर सिमुलेशन की खामियों को याद कर रहा है जिस पर इसे प्रशिक्षित किया गया था? यदि यह केवल सिमुलेशन को याद करता है, तो वास्तविक डेटा देखते समय यह विफल हो सकता है।

समाधान: "लुंड जेट प्लेन" (Lund Jet Plane) का मानचित्र

इसे ठीक करने के लिए, शोधकर्ताओं ने कणों को एक अस्त-व्यस्त ढेर के रूप में देखने के बजाय उन्हें एक मानचित्र (map) के रूप में देखने का निर्णय लिया।

उन्होंने लुंड जेट प्लेन का उपयोग किया। कल्पना कीजिए कि यह एक पर्वत श्रृंखला का स्थलाकृतिक मानचित्र (topographic map) है।

X-अक्ष (X-axis) यह दर्शाता है कि कणों का समूह कितना चौड़ा है।
Y-अक्ष (Y-axis) यह दर्शाता है कि कणों में कितनी ऊर्जा है।

प्रत्येक "विभाजन" (split), जहाँ एक कण दो छोटे कणों में टूट जाता है, को इस मानचित्र पर एक बिंदु के रूप रूप में दर्शाया गया है। क्योंकि यह मानचित्र भौतिकी के वास्तविक नियमों (क्वांटम क्रोमोडायनामिक्स) पर आधारित है, इसलिए प्रत्येक बिंदु का एक विशिष्ट, ज्ञात अर्थ है। यह एक ऐसे मानचित्र की तरह है जहाँ हर पहाड़ी और घाटी एक विशिष्ट भूवैज्ञानिक घटना के अनुरूप होती है।

प्रयोग: तीन अलग-अलग "फ्लैशलाइट्स"

शोधकर्ताओं ने तीन अलग-अलग प्रकार के AI मॉडल (जासूसों) को लिया और उन पर तीन अलग-अलग प्रकार की "फ्लैशलाइट्स" (एक्सप्लेनेबल AI टूल्स) चमकाईं ताकि यह देखा जा सके कि वे मानचित्र के किन हिस्सों को देख रहे हैं।

GNNExplainer (एक "क्या-होता-अगर" वाली फ्लैशलाइट): यह टूल पूछता है: "यदि मैं मानचित्र के इस हिस्से को छिपा दूँ, तो क्या AI अभी भी सही उत्तर देगा?" यह सबसे महत्वपूर्ण क्षेत्रों को तब उजागर करता है जब उन्हें हटा दिया जाता है, जिससे यह देखा जा सके कि क्या होता है।
GNNShap (एक "उचित हिस्सा" वाली फ्लैशलाइट): यह टूल गेम थ्योरी की एक गणितीय अवधारणा का उपयोग करता है ताकि यह गणना की जा सके कि मानचित्र के प्रत्येक बिंदु को अंतिम निर्णय के लिए कितना "क्रेडिट" मिलना चाहिए। यह बिल को इस आधार पर निष्पक्ष रूप से बांटने जैसा है कि किसने क्या खाया।
GradCAM (एक "हीटमैप" वाली फ्लैशलाइट): यह टूल AI के न्यूरॉन्स के आंतरिक "फायरिंग" को देखता है और एक हीटमैप बनाता है जो दिखाता है कि निर्णय लेने के दौरान कौन से क्षेत्र सबसे अधिक सक्रिय थे।

परिणाम: AI ने वास्तव में क्या देखा?

शोधकर्ताओं ने AI के "फ्लैशलाइट" दृश्यों की तुलना मानचित्र के ज्ञात भौतिकी से की। यहाँ उन्हें जो मिला वह है:

1. AI ने वास्तविक भौतिकी सीखी
भारी कणों (जैसे टॉप क्वार्क या हिग्स बोसोन) के लिए, AI की फ्लैशलाइट ने मानचित्र पर उन विशिष्ट "हार्ड" विभाजनों को सही ढंग से रोशन किया जहाँ भारी कण का क्षय (decay) हुआ था।

उपमा: यदि आप एक जंगल में एक विशिष्ट पेड़ के प्रकार को देख रहे होते, तो AI ने केवल अनुमान नहीं लगाया; इसने पत्तियों के अनूठे आकार और छाल को सही ढंग से इंगित किया। अध्ययन साबित करता है कि AI केवल अनुमान नहीं लगा रहा है; इसने इन भारी कणों के क्षय की वास्तविक संरचना को सीख लिया है।

2. "QCD विसंगति" (धुंधला जंगल)
साधारण कणों (QCD जेट्स) के लिए, AI की फ्लैशलाइट किसी विशिष्ट बिंदु पर केंद्रित नहीं हुई। इसके बजाय, इसने पूरे मानचित्र को, विशेष रूप से "सॉफ्ट" और "वाइड" क्षेत्रों को रोशन किया।

उपमा: कल्पना कीजिए कि आप एक सामान्य चीड़ (pine) के पेड़ की पहचान करने की कोशिश कर रहे हैं। कोई एक विशिष्ट शाखा नहीं है जो इसे परिभाषित करती है; यह पूरा आकार और सुइयों का वितरण है। AI ने सही ढंग से पहचाना कि इन साधारण जेट्स के लिए, उत्तर एक विशेष स्थान में नहीं, बल्कि पूरे पैटर्न में निहित है। शोधकर्ता इसे "फिडेलिटी एनोमली" (Fidelity Anomaly) कहते हैं, लेकिन वास्तव में यह एक संकेत है कि AI भौतिकी को पूरी तरह से समझता है।

3. विभिन्न कार्यों के लिए विभिन्न उपकरण
अध्ययन में पाया गया कि कोई भी एक "फ्लैशलाइट" टूल हर AI मॉडल के लिए सबसे अच्छा काम नहीं करता है।

कुछ AI मॉडल के लिए, "उचित हिस्सा" वाला टूल (GNNShap) हार्ड विभाजनों को खोजने में सबसे अच्छा था।
अन्य के लिए, "हीटमैप" टूल (GradCAM) व्यापक पैटर्न को पहचानने में बेहतर था।
निष्कर्ष: आप केवल एक स्पष्टीकरण टूल चुनकर उसे हमेशा के लिए उपयोग नहीं कर सकते। आपको उस विशिष्ट AI मॉडल के अनुसार टूल को अनुकूलित करना होगा जिसका आप उपयोग कर रहे हैं।

4. "बूस्ट" प्रभाव
शोधकर्ताओं ने अलग-अलग गति (कम ऊर्जा बनाम उच्च ऊर्जा) से चलते हुए जेट्स का अध्ययन किया। उन्होंने पाया कि जैसे-जैसे जेट्स की गति बढ़ी, AI का ध्यान और अधिक सटीक और केंद्रित होकर विशिष्ट हार्ड विभाजनों पर केंद्रित हो गया, ठीक वैसे ही जैसे भौतिकी भविष्यवाणी करती है।

निष्कर्ष

शोध पत्र यह निष्कर्ष निकालता है कि आधुनिक AI जेट टैगर्स जादुई ब्लैक बॉक्स नहीं हैं। यदि आप सही रोशनी डालते हैं, तो आप देख सकते हैं कि उन्होंने वास्तव में भौतिकी के नियमों को सीखा है। वे जानते हैं कि भारी कण कहाँ क्षय होते हैं, और वे एक विशिष्ट भारी घटना और एक सामान्य कण प्रवाह के बीच के अंतर को समझते हैं।

यह एक बड़ी बात है क्योंकि इसका मतलब है कि वैज्ञानिक भविष्य के प्रयोगों में नए, अज्ञात कणों की खोज के लिए इन AI टूल्स पर अधिक भरोसा कर सकते हैं। AI केवल एक पाठ्यपुस्तक को रट नहीं रहा है; यह भौतिकी कर रहा है।

यहाँ "Explainable AI for Jet Tagging: A Comparative Study of GNNExplainer, GNNShap, and GradCAM for Jet Tagging in the Lund Jet Plane" नामक शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

लार्ज हैड्रोन कोलाइडर (LHC) में जेट्स (संकुचित कणों के बौछार/showers) की पहचान करने में ParticleNet और Particle Transformer जैसे ग्राफ न्यूरल नेटवर्क (GNNs) के अत्याधुनिक प्रदर्शन के बावजूद, उनकी निर्णय लेने की प्रक्रिया "ब्लैक बॉक्स" बनी हुई है।

अंतराल (The Gap): शास्त्रीय जेट सबस्ट्रक्चर अवलोकनीय (जैसे $N$ -subjettiness $\tau_{21}$ , ऊर्जा सहसंबंध फलन) क्वांटम क्रोमोडायनामिक्स (QCD) के प्रथम सिद्धांतों से प्राप्त होते हैं और विश्लेषणात्मक रूप से गणनीय हैं। इसके विपरीत, न्यूरल नेटवर्क जटिल, अपारदर्शी फीचर प्रतिनिधित्व सीखते हैं।
जोखिम (The Risk): यदि कोई मॉडल मौलिक भौतिकी के बजाय मोंटे कार्लो (MC) सिमुलेशन (जैसे विशिष्ट हैड्रोनाइजेशन मॉडल या डिटेक्टर प्रतिक्रिया) से उत्पन्न आर्टिफैक्ट्स सीख लेता है, तो वास्तविक कोलिजन डेटा पर इसका प्रदर्शन घट जाएगा।
चुनौती (The Challenge): मौजूदा व्याख्यात्मक AI (XAI) विधियों को अभी तक लुंड जेट प्लेन (LJP) आधारित GNNs पर व्यवस्थित रूप से लागू नहीं किया गया है। LJP एक अनूठा अवसर प्रदान करता है, क्योंकि इसके ग्राफ प्रतिनिधित्व में प्रत्येक नोड एक भौतिक रूप से सार्थक पार्टोन स्प्लिटिंग (parton splitting) के अनुरूप होता है, जो मॉडल अटेंशन और QCD सिद्धांत के बीच सीधा तुलना सक्षम बनाता है।

2. कार्यप्रणाली (Methodology)

लेखकों ने LJP-आधारित GNNs के लिए अनुकूलित तीन अलग-अलग XAI प्रतिमानों (paradigms) के मूल्यांकन और तुलना के लिए एक व्यापक ढांचा विकसित किया है।

A. डेटा प्रतिनिधित्व: लुंड जेट प्लेन (LJP)

जेट्स को छवियों या सामान्य पॉइंट क्लाउड्स के रूप में मानने के बजाय, यह अध्ययन लुंड जेट प्लेन का उपयोग करता है, जो एक 2D फेज़ स्पेस है जिसे निम्नलिखित द्वारा परिभाषित किया गया है:

$\ln(k_T)$ : स्प्लिटिंग के ट्रांसवर्स मोमेंटम का लघुगणक।
$\ln(1/\Delta R)$ : विलोम स्प्लिटिंग कोण के लघुगणक का।
ग्राफ निर्माण: प्रत्येक नोड जेट के शावर इतिहास में एक विशिष्ट पार्टोन उत्सर्जन का प्रतिनिधित्व करता है। यह XAI विधियों को विशिष्ट भौतिक स्प्लिटिंग घटनाओं को महत्व स्कोर (importance scores) आवंटित करने की अनुमति देता है।

B. मॉडल और व्याख्यात्मकता विधियाँ (Models and Explainability Methods)

अध्ययन तीन आर्किटेक्चर का मूल्यांकन करता है:

LundNet: LJP से निर्मित एक स्टेटिक $k$ -NN ग्राफ पर EdgeConv का उपयोग करने वाला एक GNN।
ParticleNet: एक डायनेमिक EdgeConv का उपयोग करने वाला GNN (जहाँ पड़ोसी प्रत्येक परत पर पुनर्गणना किए जाते हैं)।
Particle Transformer: LJP घटकों पर सेल्फ-अटेंशन लागू करने वाला एक ट्रांसफार्मर-आधारित आर्किटेक्चर।

इनका मिलान तीन XAI विधियों के साथ किया गया है:

GNNExplainer (Perturbation-based): सबग्राफ और भविष्यवाणी के बीच म्यूचुअल इंफॉर्मेशन को अधिकतम करने के लिए एक मास्क को अनुकूलित करता है।
GNNShap (Shapley-value-based): उनके मार्जिनल योगदान के आधार पर किनारों (edges) को निष्पक्ष महत्व स्कोर आवंटित करने के लिए सहकारी गेम थ्योरी का उपयोग करता है।
GradCAM (Gradient-based): महत्वपूर्ण नोड्स/फीचर्स की पहचान करने के लिए ग्रेडिएंट्स के आधार पर वेटेड क्लास एक्टिवेशन मैप्स की गणना करता है।

C. मूल्यांकन ढांचा (Evaluation Framework)

लेखकों ने मानक फिडेलिटी मेट्रिक्स से परे एक भौतिकी-सूचित मूल्यांकन (physics-informed evaluation) पेश किया:

MC Truth Masks: ग्राउंड-ट्रूथ स्पष्टीकरण मास्क (explanation masks) को शावर प्रक्रिया के माध्यम से हार्ड-स्कैटर वाले पार्टोन्स को ट्रैक करके बनाया गया था (उदाहरण के लिए, टॉप क्वार्क के लिए 3-प्रोंग संरचना या हिग्स बोसन्स के लिए 2-प्रोंग संरचना की पहचान करना)।
Fidelity Metrics ( $Fid^+, Fid^-$ ): यह मापना कि महत्वपूर्ण किनारों (edges) को हटाने या बनाए रखने पर मॉडल की भविष्यवाणी कितनी गिरती है।
सबस्ट्रक्चर सहसंबंध (Substructure Correlation): XAI द्वारा दिए गए नोड महत्व स्कोर और शास्त्रीय अवलोकनीयों ( $\tau_{21}, \tau_{32}, C_2, C_3$ ) के बीच स्पियरमैन रैंक सहसंबंध की गणना करना।
$p_T$ स्तरीकरण (Stratification): गैर-परटर्बेटिव और परटर्बेटिव शासन (regimes) के बीच संक्रमण का परीक्षण करने के लिए विश्लेषण तीन ट्रांसवर्स मोमेंटम बिन ( $500\text{--}700$ GeV, $800\text{--}1000$ GeV, और समावेशी) में किया गया था।

3. मुख्य योगदान (Main Contributions)

प्रथम व्यवस्थित बहु-विधि तुलना: यह पेपर विशेष रूप से भौतिकी-आधारित LJP प्रतिनिधित्व पर संचालित होने वाले GNNs के लिए तीन अलग-अलग (परटर्बेशन-, गेम थ्योरी-, और ग्रेडिएंट-आधारित) XAI विधियों का पहला कठोर तुलनात्मक अध्ययन प्रदान करता है।
भौतिकी-सूचित ग्राउंड ट्रुथ: MC ट्रुथ स्पष्टीकरण मास्क की शुरूआत से यह मात्रात्मक जांच संभव हुई कि क्या मॉडल सही भौतिक क्षय टोपोलॉजी (जैसे सिग्नल के लिए हार्ड स्प्लिटिंग बनाम बैकग्राउंड के लिए सॉफ्ट रेडिएशन) पर ध्यान केंद्रित कर रहा है।
"Fidelity Anomaly" की खोज: लेखकों ने एक विरोधाभासी लेकिन भौतिक रूप से तर्कसंगत व्यवहार की पहचान की जहाँ QCD जेट्स से "महत्वपूर्ण" किनारों को हटाने से मॉडल का आत्मविश्वास कम नहीं होता है, जैसा कि सिग्नल जेट्स के मामले में होता है।
आर्किटेक्चर-मेथड पेयरिंग: यह अध्ययन प्रदर्शित करता है कि कोई भी एकल XAI विधि सार्वभौमिक रूप से सर्वश्रेष्ठ नहीं है; इष्टतम चयन अंतर्निहित न्यूरल आर्किटेक्चर पर निर्भर करता है।

4. मुख्य परिणाम (Key Results)

A. मॉडल लर्निंग और भौतिकी संरेखण (Physics Alignment)

QCD की पुनर्खोज: तीनों आर्किटेक्चर ने सफलतापूर्वक कैनोनिकल QCD सबस्ट्रक्चर फीचर्स को सीखा।
- Top Jets ( $t \to bW \to bq\bar{q}'$ ): मॉडलों ने 3-प्रोंग हार्ड स्प्लिटिंग संरचना पर ध्यान केंद्रित किया।
- Higgs Jets ( $H \to c\bar{c}$ ): मॉडलों ने 2-प्रोंग मास-ड्रॉप क्षेत्र पर ध्यान केंद्रित किया।
- QCD Jets: मॉडलों ने हार्ड स्केल्स की अनुपस्थिति को सही ढंग से पहचाना और एकीकृत सॉफ्ट, लार्ज-एंगल रेडिएशन (Sudakov tail) पर निर्भर रहे।
सहसंबंध शक्ति: Particle Transformer ने अपने आंतरिक अटेंशन वेट्स और शास्त्रीय अवलोकनीयों (जैसे $\tau_{21}$ ) के बीच सबसे मजबूत सहसंबंध ( $|\rho| \approx 0.5\text{--}0.6$ ) दिखाया, जो यह सुझाव देता है कि अटेंशन मैकेनिज्म स्थानीय मैसेज-पासिंग GNNs की तुलना में पेयरवाइज काइनेमैटिक फीचर्स को अधिक सीधे एनकोड करता है।

B. विधि-विशिष्ट व्यवहार (Method-Specific Behavior)

GNNShap: Particle Transformer और LundNet के लिए सबसे उपयुक्त है। यह हार्ड, कोलीनियर ब्रांचिंग्स के लिए एक "फिल्टर" के रूप में कार्य करता है और उन विशिष्ट किनारों को उच्च भार देता है जो सिग्नल मास के लिए जिम्मेदार हैं।
GradCAM: ParticleNet के लिए सबसे उपयुक्त है। यह लो- $k_T$ फ्रैगमेंटेशन गतिविधि (सॉफ्ट रेडिएशन) को भारित करने की प्रवृत्ति रखता है और केवल कारणत्मक (causal) किनारों के बजाय पूरे मैसेज-पासिंग पथ को कैप्चर करता है।
GNNExplainer: मोमेंटम वितरण ( $\ln z$ ) और कोणीय विस्तार की भूमिका को प्रकट करने में अत्यधिक प्रभावी है, जो अक्सर पूरे रेडिएशन पैटर्न को उजागर करता है।

C. फिडेलिटी विसंगति (The Fidelity Anomaly - QCD Jets)

सिग्नल जेट्स (2-प्रोंग/3-प्रोंग) के लिए, शीर्ष- $k$ सबसे महत्वपूर्ण किनारों को हटाने से भविष्यवाणी नष्ट हो जाती ( $Fid^+ \to 1$ ), जैसा कि अपेक्षित है।
QCD जेट्स के लिए, शीर्ष- $k$ किनारों को हटाने से कोई महत्वपूर्ण गिरावट नहीं आती ( $Fid^+ \to 0$ )।
व्याख्या: यह स्पष्टीकरण की विफलता नहीं है बल्कि QCD फैक्टराइजेशन का सत्यापन है। QCD जेट्स में कोई एकल विभेदक हार्ड स्केल नहीं होता है; उनका वर्गीकरण सॉफ्ट उत्सर्जन के सामूहिक पैटर्न पर निर्भर करता है। इसलिए, कोई भी छोटा सबग्राफ क्लास को परिभाषित करने के लिए पर्याप्त नहीं है।

D. $p_T$ निर्भरता

जैसे-जैसे ट्रांसवर्स मोमेंटम ( $p_T$ ) बढ़ता है, हार्ड स्प्लिटिंग्स अधिक कोलिमेटेड (collimated) होती जाती हैं।
उच्च- $p_T$ शासन में, सिग्नल जेट्स के लिए विभिन्न XAI विधियों के बीच सहमति आम तौर पर सुधर जाती है, क्योंकि हार्ड सिग्नल को सॉफ्ट बैकग्राउंड से स्पष्ट रूप से अलग किया जा सकता है। हालांकि, अत्यधिक बूस्टेड 2-प्रोंग जेट्स के लिए, सिग्नल और सॉफ्ट बैकग्राउंड के बीच की सीमा अस्पष्ट हो जाती है, जिससे विधि व्याख्याओं में कुछ विचलन होता है।

5. महत्व और भविष्य की संभावनाएं (Significance and Outlook)

ML में विश्वास: यह अध्ययन मात्रात्मक साक्ष्य प्रदान करता है कि आधुनिक डीप लर्निंग टैगर्स केवल सिमुलेशन आर्टिफैक्ट्स का फायदा नहीं उठाते, बल्कि QCD द्वारा अनुमानित मौलिक सबस्ट्रक्चर भौतिकी को सीखते हैं।
पद्धतिगत बदलाव: यह स्थापित करता है कि एक बहु-विधि मूल्यांकन (multi-method evaluation) आवश्यक है। केवल एक XAI तकनीक पर निर्भर रहने से मॉडल ने क्या सीखा है, इसकी अधूरी या पक्षपाती व्याख्या हो सकती है।
भविष्य के अनुप्रयोग:
- विसंगति का पता लगाना (Anomaly Detection): लुंड प्लेन में अप्रत्याशित आबादी का पता लगाने के लिए XAI का उपयोग करना (Beyond-Standard-Model खोजों के लिए)।
- आर्किटेक्चर डिज़ाइन: स्पष्टीकरण मानचित्रों (explanation maps) का उपयोग इनपुट को छाँटने या अधिक कुशल टैगर्स डिजाइन करने के लिए करना (जैसे, उच्च-महत्व वाले लुंड क्षेत्रों को सीमित करना)।
- डेटा-संचालित सत्यापन: यह ढांचा वास्तविक LHC डेटा (ATLAS/CMS) पर ML टैगर्स को सीधे सिमुलेशन के बजाय प्रयोगात्मक मापों के विरुद्ध सत्यापित करने के लिए तैयार है।

संक्षेप में, यह शोध पत्र उच्च-प्रदर्शन मशीन लर्निंग और सैद्धांतिक कण भौतिकी के बीच के अंतर को पाटता है, यह प्रदर्शित करते हुए कि न्यूरल नेटवर्क (सही प्रतिनिधित्व (Lund Jet Plane) और कठोर XAI के साथ) QCD की भाषा सीखने में सक्षम हैं।