在將機器學習應用于粒子物理學的過程中，一個持續的挑戰是如何超越歧視來學習基礎物理學。 為此，一個強大的工具將是無監督學習的框架，在該框架中，機器無需參考預先建立的標簽，即可學習對其進行訓練的數據的復雜高維輪廓。 為了處理這樣一個復雜的任務，必須基于對數據的定性理解，智能地構建一個不受監管的網絡。 在本文中，我們圍繞數據背后的物理先導模型來構建神經網絡的架構。 除了使無監督學習變得易于處理外，該設計還緩解了性能和可解釋性之間的現有緊張關系。 我們將框架稱為Junipr：“來自不受監督的可解釋PRobabilistic模型的噴氣機”。 在這種方法中，組成射流的粒子動量集合被聚類為神經網絡依次檢查的