Cabibbo-Kobayashi-Maskawa(CKM) 행렬은 쿼크의 물리량인 맛을 변화시키는 약한 상호작용을 설명한다. CKM 행렬 요소 중 하나인 Vts는 탑 쿼크와 스트레인지 쿼크 사이의 결합을 설명하는 행렬 요소로 아직 직접적으로 측정되지 않았다. |Vts| 의 직접 측정은 탑 쿼크의 붕괴로부터 나오는 스트레인지 쿼크를 식별함으로써 이루어질 수 있다. 이를 위하여 self-attention 메커니즘을 기반으로 하는 딥 러닝 모델인 SaJa (Self-Attention for Jet Assignment)를 사용하였다. SaJa는 이벤트 전체의 정보와 젯들의 특징을 이용할 수 있는 장점이 있다. SaJa는 CMS와 유사한 검출기 시뮬레이션을 사용하여 √s = 13 TeV에서 탑 쿼크 쌍생성에서 두개의 W 보존이 모두 렙톤으로 붕괴하는 채널에서 t → sW에서 붕괴되는 스트레인지 제트를 찾는 데 사용된다. |Vts| 에 대한 expected significance와 limit을 고전적인 머신러닝인 BDT와 SaJa 를 이용하여 얻어졌다. SaJa가 BDT 보다 더 좋은 성능을 보이는 것을 확인하였다.