物理領域的研究受益於人工神經網路和深度學習的興起。過去，我們已經看到它們被用於研究暗物質和大型星系。而現在科學家已經在外來粒子研究中使用了神經網路。在歐洲核子研究組織（CERN）的大型強子對撞機（LHC）上建立的緊湊型μ子介子螺線管(CMS)上，研究人員正在使用神經網路識別由LHC內部質子-質子碰撞產生的非典型實驗特徵。

傳統碰撞演算法很難追蹤這些實驗特徵，因為碰撞產生的大部分“碎片”都是短暫的。但是神經網路可以證明在這種情況下很有效。這是因為可以對它們進行實際資料訓練。

CMS的神經網路已經使用這些資料進行了訓練，並將很快可以自動檢測實驗特徵。為了進行訓練，研究人員使用了透過向後傳播進行域自適應來改善在碰撞資料中觀察到的噴氣機類機率分佈的模擬模型。

對神經網路進行了訓練（在監督下），以區分由長壽命粒子的衰變所產生的稱為“射流”的粒子噴霧與更為常見的物理過程所產生的射流。

到目前為止，該模型已顯示出令人鼓舞的結果。在對粒子軌道進行分析的過程中，從長壽命粒子中正確識別出噴射流的可能性為50％，在每千次中該模型僅一次錯誤識別了常規噴射流，並顯示出較少的誤報和誤報。

CERN相信，新系統將有助於推進該機構尋找短暫和奇異顆粒的要求。