U fizici se umjetna inteligencija može koristiti za ubrzanje izračuna, ali važno je da se time ne promijene dokazi potrebni za znanstvene zaključke. Europski se laboratoriji suočavaju s praktičnim problemom uvođenja strojnog učenja u operativne sustave.
Jedan je od primjera CMS-ova analiza otkrivanja anomalija pomoću algoritama AXOL1TL i CICADA, koji su omogućili odabir više od četiri milijarde sudara u 2024. godini. Međutim, važno je razlikovati poboljšani odabir i znanstvenu interpretaciju.
ATLAS je ranije pokazao kako se nesupervizirano učenje može koristiti za pretraživanje anomalija u podacima o sudarima, ali bez otkrivanja značajnih odstupanja od Standardnog modela. Znanstvenici moraju zasebno ispitati učinkovitost odabira i znanstvenu interpretaciju kako bi potvrdili važnost otkrivenih događaja.
