입자 충돌에서 물리학 분석에 이르는 워크플로우는 전통적으로 모듈화되어 있고 서로 단절된 일련의 재구성 (reconstruction) 단계를 거치며, 저수준의 검출기 데이터 (detector data)와 고수준의 분석 작업을 연결하는 공유된 표현 (shared representation)이 존재하지 않습니다. 우리는 이벤트 재구성 (event reconstruction)을 머신러닝 문제로 설정함으로써 이러한 공유된 표현이 자연스럽게 생성됨을 보여줍니다. 우리는 입자 흐름 재구성 (particle-flow reconstruction, MLPF)을 위해 훈련된 머신러닝 모델을 재용도화하여 세 가지 별개의 분석 작업인 제트 맛 식별 (jet flavor identification), 제트 에너지 회귀 (jet energy regression), 그리고 결측 운동량 회귀 (missing momentum regression)를 수행하도록 했습니다. 재구성 과정에서 학습된 입자별 잠재 표현 (latent representations)을 추가적인 입력 특징 (input features)으로 붙임으로써, 운동학적 특징 (kinematic features)만을 사용하는 베이스라인 (baseline)보다 성능을 실질적으로 향상시켰습니다. 나아가 우리는 잠재 표현만을 사용하여 훈련된 단일 선형 레이어 (linear layer)가 최첨단 (state-of-the-art) 베이스라인 아키텍처와 경쟁할 만한 성능을 달성하며, 결측 운동량 회귀의 경우 베이스라인보다 약 35배 적은 파라미터 (parameters)로 더 나은 성능을 보임을 입증했습니다. 이러한 결과는 재구성 과정에서 학습된 잠재 표현이 다운스트림 분석 (downstream analysis)에 필요한 필수적인 물리학 정보를 인코딩하고 있음을 보여주며, MLPF를 파운데이션 모델 (foundation model)로 확립하고 검출기 데이터에서 물리학 분석에 이르는 엔드 투 엔드 (end-to-end) 파이프라인을 향한 구체적인 단계를 제시합니다.