Un enfoque de aprendizaje automático para problemas científicos ha estado en uso en la ciencia y la ingeniería durante décadas. La física de altas energías proporcionó un dominio natural de aplicación del aprendizaje automático, aprovechando estas poderosas herramientas para el análisis avanzado de datos de colisionadores de partículas. Sin embargo, el aprendizaje automático se ha aplicado a la física de aceleradores solo recientemente, con varios laboratorios en todo el mundo desplegando esfuerzos intensos en este dominio. En CERN, se han aplicado técnicas de aprendizaje automático a estudios de dinámica de haces relacionados con el Gran Colisionador de Hadrones y su actualización de luminosidad, en dominios que incluyen mediciones de haces y optimización del rendimiento de la máquina. En este documento, se presentan y discuten en detalle las aplicaciones recientes del aprendizaje automático a los análisis de simulaciones numéricas de dinámica de haces no lineales. El concepto clave de apertura dinámica proporciona una serie de temas que se han seleccionado para investigar el aprendizaje automático. De hecho, la investigación presentada aquí tiene como objetivo idear algoritmos eficientes para identificar valores atípicos y mejorar la calidad de los modelos ajustados que expresan la evolución temporal de la apertura dinámica.