20世纪80年代末，正值“神经网络”一词极大地激发了公众的想象力之时，粒子物理学家就开始了对人工智能（AI）的研究。粒子物理学家的研究领域导致他们要向人工智能和机器学习算法发展，高能物理学家要利用机器学习的能力筛选粒子碰撞产生的碎片，因为几乎每一个实验中心都致力于在粒子探测器产生的数不尽的相似数据中发现微妙的空间模式，这些也恰好是人工智能所擅长的。“我们花了几年的时间才让人们相信，这些研究并不是魔术、戏法、黑匣子之类的东西。”伊利诺伊巴达维亚费米国家加速器实验室的波阿斯·克利马（Boaz Klima）说道，他是最早支持人工智能技术研究的物理学家之一。现如今，AI技术在物理学家研究的标准工具中已占据了一席之地。

　　粒子物理学家试图通过巨大能量和亚原子粒子的对撞发现新粒子的魅影以理解宇宙的内部运作机制。例如，2012年，全球最大的质子对撞机――瑞士大型强子对撞机（LHC）发现了一直存在于预言中的希格斯玻色子，这种稍纵即逝的粒子是物理学家解释其他基本粒子为何拥有质量的关键。然而，这种奇异粒子的出现并非自带标签。在LHC上，几乎每10亿次质子的碰撞才产生1个希格斯玻色子，并在1皮秒（万亿分之一秒）的十亿分之一就会衰变为其他粒子，如一对光子或μ介子的一组4个粒子。为“重建”希格斯粒子，物理学家必须辨认出现场所有那些更常见的粒子，看它们结合在一起的方式是否与它们的本源相符合，但在典型碰撞中产生的大量外来粒子使得这一辨别工作更为困难。

　　诸如神经网络之类的算法擅长从中筛选信号，费米实验室的物理学家普什帕拉萨·巴特（Pushpalatha Bhat）说道。在粒子探测器中（通常是巨型桶状传感器的聚合装置），光子通常在一个被称为电磁热量计的子系统中产生一波粒子束。当然，电子和强子也是如此，但它们的粒子束流与光子的粒子束流存在一些细微的差别。机器学习算法可以通过统计发现解释粒子束多个变量之间的相关性将它们区分开来。例如，这些算法也有助于区分来自希格斯粒子衰变的光子对与随机产生的光子对。“这是一个如大海捞针般困难的问题。”巴特说，“这就是从数据中提取出尽可能多的信息如此重要的原因。”

　　但机器学习在粒子物理学领域并非一家独大，物理学家主要还是依靠对基础物理学的理解决定如何从众多数据中寻找新粒子和新现象出现的线索。但美国加州伯克利的劳伦斯伯克利国家实验室的计算机科学家保罗·卡拉菲拉（Paolo Calafiura）指出，人工智能很可能会变得越来越重要。研究人员计划在2024年升级大型强子对撞机，并将其碰撞率增加10倍。卡拉菲拉说道，届时机器学习在应对大量数据流中将起到至关重要的作用。