Různé laboratoře někdy změří tutéž veličinu odlišně, i když každá práce vypadá přesvědčivě. Tým z Los Alamos, NIST a Brookhaven proto vytvořil postup, který nesvěřuje rozhodnutí algoritmu, ale používá bayesovské strojové učení k vytipování několika podezřelých položek z rozsáhlých metadat o historických experimentech.

Metodu předvedli na energetickém spektru neutronů uvolněných během méně než nanosekundy po spontánním štěpení kalifornia-252. Jde o důležitý jaderně-fyzikální standard. Model hledal souvislosti mezi odchylkami a konstrukcí či postupem měření; fyzici potom podezřelé příčiny prověřovali simulacemi starších aparatur nebo novými experimenty.

Teprve tato lidská a experimentální kontrola umožnila některá historická data opravit či odmítnout na fyzikálním základě. Výsledkem bylo zmenšení rozptylu mezi spektry až šestkrát. Číslo se týká tohoto konkrétního případu, nikoli obecné schopnosti AI automaticky napravovat vědeckou literaturu.

Pokud se postup osvědčí jinde, mohl by pomoci v metrologii, materiálovém výzkumu, chemii nebo medicínských měřeních, kde jsou stará data drahá a těžko opakovatelná. Největší hodnotou by nebylo vybrat vítězný výsledek, ale seřadit možné zdroje systematické chyby a nasměrovat omezený čas expertů na nejvýnosnější kontrolní pokusy.

Přenos vyžaduje kvalitní a srovnatelná metadata, fyzikálně smysluplné simulace, nezávislé zopakování a pravidla, která zabrání dodatečnému přizpůsobování vysvětlení. Optimisticky lze během 2–4 let čekat demonstrace v několika dalších oborech; použitelná nástrojová sada pro specializované laboratoře by mohla vzniknout za 5–8 let. Automatické opravování databází bez expertů by důvěryhodné nebylo.