في عالم الفيزياء العالية الطاقة، يعتمد تصنيف الجتات (Jet Tagging) في المصادم الهدروني العظيم بشكل متزايد على نماذج التعلم العميق (Deep Learning) المدربة على مجموعات بيانات ضخمة من المحاكاة، مما يتسبب في تكاليف حسابية مرتفعة وقيود على جودة الأداء بسبب عدم تطابق النماذج مع أدوات الكشف. جاء نظام JetParticle-JEPA (JP-JEPA) ليكون ثورة حقيقية في هذا المجال.

JP-JEPA هو نموذج مبتكر يعتمد على التعلم الذاتي (Self-Supervised Learning) وله بنية مشتركة موجهة للتنبؤ (Joint-Embedding Predictive Architecture). يكمن سحره في تعلم تمثيلات jet ذات مغزى فيزيائي مباشرة من سحب الجسيمات المستمرة دون الحاجة إلى تقسيم البيانات أو إعادة بناء المدخلات الخام. يعتمد هذا النظام على بنية Particle Transformer، مما يسمح له بالتنبؤ بتمثيلات غير مرئية لجسيمات مقنعة مع الحفاظ على العلاقات الحركية الدقيقة.

عند التقييم على معيار JetClass، أظهر JP-JEPA أداءً يضاهي أساليب التعلم الخاضع للإشراف المتقدمة على مجموعة البيانات الكاملة، وتجاوز القواعد الأساسية في بيئات ذات تسميات منخفضة، متفوقاً بشكل كبير على الأساليب الحالية في التعلم الذاتي. في اختبارات Quark وQuark-Gluon Tagging، جاء أداؤه في متناول أساليب الإشراف التقليدية.

أحد أبرز مزايا JP-JEPA هو قدرته الخيالية على التحمل أمام فقدان المعلومات من أدوات الكشف، مما يعزز سلوك عدم اليقين لديه. يُعتبر هذا النظام نموذجاً واعداً يُمكن البناء عليه لتحقيق نتائج موثوقة وبيانات فعالة في الفيزياء الجتية في المصادم الهدروني العظيم (LHC).