Thaler Komiske和Metodiev已经找到了一种新方法来筛选对撞机数据，而无需提前知道要寻找什么。不是一次只考虑一个冲突事件，而是寻找比较多个事件的方法，其想法是，也许通过确定哪些事件更典型，哪些不那么典型，可能会挑选出具有潜在有趣、意外行为的异常值。研究试图做的是对我们认为新物理或不新物理持不可知论的态度，想让数据自己说话。

运动

粒子对撞机的数据充斥着数十亿次质子对撞，每一次质子对撞都包含了粒子的喷射。研究小组意识到这些喷雾本质上是点云——点的集合，类似于计算机视觉中表示场景和对象的点云。该领域的研究人员开发了一系列技术来比较点云，比如让机器人能够准确地识别环境中的物体和障碍物。 Metodiev和Komiske使用类似技术来比较粒子对撞机数据中成对碰撞之间的点云。特别是采用了一种现有算法，该算法旨在计算将一个点云转换成另一个点云所需的最优能量或“功” ，

该算法的关键是基于一个抽象概念，即“地球的移动距离” 。你可以把能量的沉积想象成泥土，你是地球的搬运工，必须把泥土从一个地方搬到另一个地方，从一种构型到另一种构型所花费的能量就是计算的距离。换句话说，将一个点云重新排列成另一个点云所需的能量越多，它们之间的相似性就越远。将这个想法应用到粒子对撞机的数据中，研究小组能够计算出将一个给定点云转换成另一个点云所需的最佳能量。对于每一对，根据计算出“距离”或两者之间的相似程度，分配一个数字。