Nik Spencer/Nature；来源：CERN
除了收集更多事件外，Siral等物理学家还热衷于改变LHC实验寻找粒子的方式。到目前为止，LHC的大部分研究都涉及检验特定的预测（例如寻找物理学家期望看到的希格斯粒子）或寻找新物理学的特定假设。
科学家们认为这会是个卓有成效的策略，因为能有很好的方向去找。许多人期望在LHC启动后不久发现新的重粒子，例如一组被称为超对称的理论所预测的那些。除了最复杂的超对称版本外，其他都未能排除。到今天，没几个标准模型的理论拓展比其他的看起来更正确些。
实验人员现在正在转向不受期望限制的搜索策略。例如，ATLAS和CMS都将寻找可以在两次碰撞中徘徊的长寿命粒子。新的搜索策略，往往意味着要编写拒绝通常假设的分析软件，Siral说。
机器学习也可能有所帮助。许多LHC实验已经使用这种技术来从背景噪声中区分出特定的所需对撞。这是“监督式”学习：算法被赋予了一种寻找的模式。但研究人员越来越多地使用“无监督”机器学习算法，这些算法可以不加预期的前提下广泛扫描异常情况。例如，神经网络可以将事件与标准模型的学习模拟进行比较。如果模拟无法重现事件，那就是反常。虽然这种方法还没有系统地使用，“但我确实认为这是人们将要研究的方向。”荷兰拉德堡德奈梅亨大学的Sascha Caron说，他致力于将这些技术应用于ATLAS数据。
在减少搜索偏差的过程中，决定哪些事件值得关注的触发器至关重要，因此新的 GPU将能够以更广泛的标准搜索候选事件。CMS还将使用一种称为“侦察”的方法：分析最初选择的但未详细保存的所有100,000个左右的事件的粗略重建。CMS实验的物理学家Andrea Massironi说：“这相当于让你的探测器只用一年时间多跑了10年的工作。”
大型强子对撞机CMS实验中的探测器，机器关闭期间的照片。来源：Samuel Joseph Hertzog, Julien Marius Ordan/CERN
触发器本身也可能很快依靠机器学习来做出选择。CERN的粒子物理学家Katya Govorkova和她的同事们提出了一种高速原理验证算法，使用机器学习，根据对撞机中的每秒4000万个事件与标准模型的吻合度，来选择保存哪些事件[5]。在第三次运行中，研究人员计划在CMS对撞中训练和测试算法，以及实验的传统触发器。Govorkova说，一个挑战将是弄清如何分析算法标记为反常的事件，因为它还不能指出事件反常的确切原因。
Amhis说，物理学家必须保持开放的心态，这样他们才可能会找到将他们引向标准模型之外理论的线索。尽管目前的反常现象令人兴奋，但即使是有过去多次实验发现的奇怪现象最终还是被证明是统计上的意外，收集到更多数据就会消失。“重要的是我们得继续推动所有的物理项目，”她说。“就是不要把所有鸡蛋都放在一个篮子里。”
参考文献：
1. CDF Collaboration. Science
