近日，记者从清华大学丘成桐数学科学中心获悉，该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，提出了一个可从观测数据中自动推导出空间物理规律的神经符号模型——PhyE2E（Physics End-to-End Symbolic Regression Framework），其通过将物理知识融入大语言模型，建立了能够端到端生成、分解并优化物理公式的人工智能系统，为人工智能驱动物理学研究开辟了新思路。相关研究成果作为封面论文发表于《自然-机器智能》10月刊。

发现自然规律、揭示数学结构是物理科学的核心追求。从开普勒的行星运动到法拉第的电磁感应，每一个传统物理公式源于长期的实验积累与人类深邃的洞察，而如何让人工智能直接从观测数据中“归纳”自然规律，已成为人工智能与物理学科交叉研究的前沿热点问题。

研究人员表示，在该研究中，数学分析起到了核心支撑作用。研究团队提出了“公式分解模块”，其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，即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。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，实现了从实验数据到符号公式的全流程推理。该模型不仅能生成具有物理量纲一致性的方程，还能自动识别公式的结构化关系，并生成符合物理规律的数学形式。

研究团队将该系统应用于空间物理学的五个重要场景中，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。该模型生成的物理公式在拟合卫星和天文望远镜的实验数据方面表现出极高精度。所提出的公式首次以显式形式揭示了太阳活动长周期的物理机制。

此外，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。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。

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。PhyE2E的核心思想在于结合符号推理与数据驱动学习，使人工智能能够生成具有清晰物理意义的可解释公式，展现了人工智能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。

相关论文信息：https://www.nature.com/articles/s42256-025-01126-3