美国能源部布鲁克海文国家实验室的研究人员正在将人工智能直接整合到物理实验的数据采集流程中，以应对现代粒子探测器产生的海量数据挑战。传统上，实验数据会先批量存储再分析，但面对数据洪流，这种方法已显不足。

该实验室采用机器学习技术，在实验进行时实时过滤和压缩信号，实现了从批量分析向实时监测的转变。项目首席研究员黄进表示：“我们的目标是提升像RHIC上的sPHENIX以及未来对撞机等粒子探测器的科学能力。目前，RHIC产生的碰撞事件数量超过了实验能够记录的范围，我们需要一种可靠且创新的方法，将更多信息压缩到记录的每个字节数据中。”

这项技术将AI直接嵌入数据采集管道，不依赖传统触发器，而是在测量过程中在线判断数据重要性。系统利用探测器数据的稀疏性特征，仅对包含粒子径迹的体素进行计算，从而加快处理速度。计算科学家黄毅指出：“我们的算法可以聚焦于图像中有意义的部分，稀疏性成了我们的优势。具有有意义值的体素越少，算法需要做的计算就越少。”

这一进展标志着AI在科学实验中的角色转变——从下游分析层向上游数据采集端移动，形成了持续的发现反馈循环。布鲁克海文实验室的方法为材料科学、气候建模、生物成像等多个面临数据激增压力的领域提供了AI原生科学的参考框架。科学实验室正逐渐演变为持续的发现平台，软件架构与硬件设计协同推进着研究进程。