在将机器学习应用于粒子物理学的过程中，一个持续的挑战是如何超越歧视来学习基础物理学。 为此，一个强大的工具将是无监督学习的框架，在该框架中，机器无需参考预先建立的标签，即可学习对其进行训练的数据的复杂高维轮廓。 为了处理这样一个复杂的任务，必须基于对数据的定性理解，智能地构建一个不受监管的网络。 在本文中，我们围绕数据背后的物理先导模型来构建神经网络的架构。 除了使无监督学习变得易于处理外，该设计还缓解了性能和可解释性之间的现有紧张关系。 我们将框架称为Junipr：“来自不受监督的可解释PRobabilistic模型的喷气机”。 在这种方法中，组成射流的粒子动量集合被聚类为神经网络依次检查的二叉树。 训练不受监督且不受限制：网络可以决定数据与所选树形结构几乎没有对应关系。 但是，当存在对应关系时，沿树的网络输出具有直接的物理解释。 瞻博网络模型可以通过统计上的最佳似然比检验执行判别任务，并且它们可以使喷气树中每个分支的辨别力可视化。 此外，瞻博网络模型提供了可以从中得出事件的概率分布，从而提供了数据驱动的蒙特卡洛生成器。 作为第三种应用，瞻博网络模型可以对一个（例如，模拟的）数据集的
