Els grans acceleradors de partícules, com el del CERN, generen milers de milions de col·lisions, i cada recerca concreta, com la cacera d'una partícula nova o la mesura d'una desintegració rara, acostuma a entrenar el seu propi model d'aprenentatge automàtic des de zero. És una feina lenta i que aprofita poc el que ja s'ha après en anàlisis anteriors. En altres camps, els models fundacionals, entrenats un sol cop amb moltes dades i adaptats després a cada tasca, han canviat aquesta manera de treballar.
Un equip de la Universitat Stanford, el laboratori SLAC, la Universitat de Washington, la Universitat Jiao Tong de Shanghai, la Universitat Nacional de Taiwan i la Universitat de Nagoya, entre altres centres, presenta a «Nature Machine Intelligence» EVENET, un model d'aquest tipus per a la física de col·lisions. L'han preentrenat amb 500 milions de col·lisions simulades, combinant l'aprenentatge autosupervisat amb informació física, i representa cada col·lisió com un núvol de les partícules que hi apareixen, sigui quin sigui el nombre. En cerques de ressonàncies pesants i de desintegracions exòtiques del bosó de Higgs, supera els mètodes establerts i els més avançats, sobretot quan hi ha poques dades.
La prova més vistosa és amb dades reals: el model ha redescobert el mesó ípsilon, una partícula coneguda des del 1977, en les dades obertes de l'experiment CMS del CERN. Això indica que el que aprèn de les simulacions es pot traslladar als detectors de veritat. També permet extreure amb precisió mesures de correlacions quàntiques que es mantenen estables davant les variacions sistemàtiques provades. Per als autors, és una base reutilitzable que estalvia feina a cada anàlisi nova.
Redescobrir una partícula coneguda és una comprovació, no un descobriment: el valor real del model es veurà quan els experimentadors el facin servir en recerques noves i amb les dades completes dels detectors, no només amb les obertes. A més, el preentrenament és car i depèn de la qualitat de les simulacions, que mai no reprodueixen del tot un detector real. Els mateixos autors el presenten com una inversió inicial gran que es compensa amb l'adaptació posterior.