人工智能不仅能识别模式，更能直接发现物理规律，甚至颠覆了人类科学家沿用数十年的经典公式。

在一项最新突破中，来自清华大学的研究团队开发了一种能够自动发现物理规律的AI系统，该系统甚至颠覆了美国航空航天局（NASA）于1993年提出的太阳活动公式，并首次以显式形式揭示了太阳活动长周期的物理机制。

这项研究由丘成桐领衔，清华大学丘成桐数学科学中心副教授周源与清华大学智能产业研究院、电子工程系副教授马剑竹合作完成，成果登上了权威期刊《自然·机器智能》10月期封面。

01 智能科学发现时代来临

如何让机器智能像科学家一样从观测数据中归纳自然规律，一直是人工智能与物理学交叉研究的热点与难点。

现有符号回归算法在可解释性与可扩展性上存在瓶颈，限制了AI在科学发现中的应用。

针对这一挑战，清华大学研究团队提出了名为 PhyE2E的神经符号模型，它能够从观测数据中自动推导出空间物理规律。

这一端到端的符号回归框架，结合了大语言模型与物理知识，建立了一个能够生成、分解并优化物理公式的完整系统。

02 物理与AI的巧妙融合

PhyE2E框架的核心创新在于它将数学分析与数据驱动学习相结合。

研究团队提出的“公式分解模块”利用神经网络的二阶导数矩阵分析变量间的非线性耦合关系。

“当模型检测到某些变量之间的二阶偏导接近于零时，便可判断它们在物理规律中相互独立，从而将复杂方程分解为若干可独立求解的子式。”研究人员解释道。

通过这一数学机制，模型能够在不依赖具体公式结构的情况下，自动识别物理变量之间的结构化关系，显著降低搜索复杂度，使生成的结果更加简洁且符合物理意义。

在整体设计上，PhyE2E融合了Transformer架构、生成式大语言模型数据增强、蒙特卡洛树搜索与遗传算法精炼等模块，实现了从实验数据到符号公式的全流程推理。

03 五大空间物理场景验证

为验证PhyE2E的有效性，研究团队将该系统应用于空间物理学的五个重要场景中。

这些场景包括太阳黑子强度预测、太阳自转角速度测算、发射线贡献函数分析、近地等离子体压力监测以及月潮等离子体信号研究。

在太阳活动研究方面，AI生成的物理公式成功颠覆了NASA于1993年提出的太阳活动公式，并首次以显式形式揭示了太阳活动长周期的物理机制。

在近地空间环境方面，研究发现近地等离子体压力的衰减强度与距地球距离的平方成正比，该结论的数学推导与另一独立研究的卫星观测数据高度吻合。

此外，该系统得出的用于描述太阳极紫外光谱中发射线、温度、电子密度与磁场之间关系的物理公式，也完全符合物理学家此前假设应具备的理论特性。

04 科学发现新范式

研究表明，PhyE2E在符号准确率、拟合精度、单位一致性等多项指标上均显著优于国际主流方法，并在多个真实物理数据集上取得最优表现。

这一成果的重要意义在于，它使AI能够生成具有清晰物理意义的可解释公式，而不仅仅是作为一个黑箱预测工具。

PhyE2E的核心思想在于结合符号推理与数据驱动学习，使AI能够生成具有清晰物理意义的可解释公式，展现了AI推动科学发现的无限可能。

“这一研究为空间物理学提供了强有力的计算工具，也为流体力学、凝聚态物理等更广泛科学领域的规律挖掘提供了可推广的思路。”研究团队表示。

该工作展示了人工智能在“从数据到规律”全链条建模中的潜能，为AI驱动物理学研究开辟了新的范式。

PhyE2E框架的出现预示着科学发现新纪元的开启。当人工智能不仅能处理数据，还能理解数据背后的数理逻辑，人类探索未知的能力将获得前所未有的增强。

未来，这种AI系统有望在流体力学、凝聚态物理等更广泛科学领域发挥作用，加速人类揭示自然奥秘的进程。