粒子加速器是科学中非常最复杂的机器之一。自20世纪80年代以来，科学家们一直致力于推进加速器操作自动化，通过更有效地优化束线、更有效地检测故障和实时模拟，使下一代粒子加速器更加自动。直线加速器相干光源（LCLS）粒子加速器的操作人员分析了检修和配置粒子束花费的时间，发现如果能自动调谐束线，每年可以腾出几百个小时的时间。
更快地修复
任何机器都有可能出现部件故障，加速器的引导粒子束流磁体也不例外。如果一个磁体停止工作，可以利用它周围的磁体来规避，但这并不容易。因为粒子加速器是一个非线性系统；当操作员对其进行调整时，可能对下游产生难以估计的影响。美国国家加速器实验室（SLAC）机器学习战略倡议的负责人Dan Ratner说：“人脑不擅长这种优化。”
操作员可以通过反复试验找到解决方案，但需要花费一些时间，而使用机器学习技术可能会更快地完成调整任务。2018年12月，SLAC LCLS操作员成功测试了一种结合机器模拟和实际数据训练调谐束流的算法。虽然Ratner不希望LCLS或其升级版直线加速器相干光源（LCLS-II）在没有人工操作员的情况下运行，但这项工作可以为操作员提供一个新工具，让他们执行真正需要人工的任务。
实际预测
物理学家Jean-Paul Carneiro正在对费米国家加速器实验室的加速器综合体进行升级，以期减少运行过程中的人为干预，甚至实现在完全没有人为干预的情况下运行。Carneiro称，加速器的自动化运行将大大减少停机时间，进而提高束线的可用性。当前加速器的平均服务时间为90%左右，若要达到98%或99%，唯一的方法就是使用自动控制。最近，他通过芝加哥大学的FACCTS项目（法国和芝加哥在科学领域的合作）获得了为期两年的资助，正在将法国萨克雷核研究中心科学家Dider Uriot开发的代码整合到质子改进计划II注入测试（PIP2IT）[1]的设施中。
除了快速修复调谐问题之外，缩减检测设施的潜在问题花费的时间也是提高束流利用率的方法之一。加速器随着地球不停移动，会对束线产生影响，仅几天的时间就会导致束线开始偏离预定的方向，而自主加速器可以在我们注意到这个问题之前修正束线的路径，为用户提供更可靠、更有效的束线，最终提高科学产出。
快速模拟
除了排除故障消耗的时间外，加速器操作员还针对特定的实验需求对束流进行优化。科学家开展实验研究时可能会调整最初想要的参数，自动实现这一目标将很大程度上节约操作员和实验物理学家的时间。目前，SLAC的研究助理Auralee Edelen正在探索如何改进束流配置模型以实现这一目标。
为了描述整个束线的众多参数，目前需要在超级计算机上花数千小时进行模拟，这种方式并不总是获得特定束流配置的最佳方法。机器学习模型快速模拟变量改变后的情形，这正是机器学习带来的新功能之一。目前Edelen正在将这些模型集成到加速器控制系统中。2016年，在费米加速器科学和技术设备上，利用神经网络算法对这一设想进行测试，在不到一毫秒的时间内成功完成了原本需要花费20分钟的模拟。
由于一些测量会干扰光束，当科学家不可能进行他们想要的测量时，模拟也会派上用场。科学家们可以使用算法将测量结果与不影响束流的其他测量结果进行关联，并推断出所需的结果。初步研究表明，神经网络可用于上述情况的预测。目前，科学家们正在利用SLAC的先进加速器和实验测试设备、加速器科学和实验测试束流装置（FACET）及其升级装置FACET-II开展技术改进研究，进一步推进加速器物理领域的发展。
