2025年11月11日，來自中國清華大學、北京大學和其他機構的研究員在Nature Machine Intelligence上透過論文發表咗能夠直接由原始太空觀測數據識別出物理方程嘅新型AI框架——PhyE2E。文章講到，呢個框架喺面對磁場探測器同等離子體儀器收集到嘅高噪聲、間斷數據時，仍然可以恢復出簡潔嘅數學表達，揭示控制磁層同日冕等離子體演化嘅本徵規律。
框架嘅核心步驟分做兩部分：首先用深度神經網絡對原始時間序列做降噪同連續化處理，生成喺時間同空間上可微分嘅表示；之後對呢啲表示施以稀疏符號回歸（sparse symbolic regression），喺預先構造好嘅候選算子庫中搜尋最簡嘅微分或代數方程。作者強調，正正係「可微表示+稀疏搜尋」嘅組合，令系統可以一方面利用神經網絡嘅擬合能力，另一方面輸出有利物理解釋嘅閉式方程。
論文畀出咗多組驗證實驗：喺人為構造嘅等離子體動力學模型上，框架成功重建包含時間導數同非線性耦合項嘅方程；喺真實航天器觀測嘅子集上，研究團隊示範點樣由有缺損同測量誤差嘅數據片段中恢復出控制流體同磁場演化嘅主導項。文章對噪聲容忍度、數據缺失比例同候選庫規模之間嘅權衡做咗詳細量化，指出候選算子過多會導致過擬合，而候選庫過窄又可能錯失關鍵物理項。
研究員仲討論咗呢種方法喺空間物理學上嘅潛在用途：自動識別新出現嘅動力學機制、為數值模擬提供簡潔嘅閉式近似、以及喺未來任務嘅大規模數據流入面快速篩查需要人工深入分析嘅異常事件。文章提到，呢個框架同現有嘅物理約束學習方法唔同——佢既唔完全依賴先驗嘅方程結構，亦唔淨係停留喺黑盒式預測，而係直接產出方便物理解釋嘅數學表達。
呢項工作對年輕研究員同數據科學家有吸引力：佢將神經網絡嘅表達力同符號方法嘅可解釋性結合埋，降低咗由觀測到理論發現之間嘅門檻。研究團隊表示，下一步會將框架推廣到更大規模嘅在軌任務數據，並探討將領域知識（例如守恆律）直接引入候選算子庫，以提升發現效率同物理一致性。
呢項研究為太空物理學嘅數據驅動發現提供咗一個新工具，有望喺未來幾年改變人哋由海量航天器觀測中提煉物理定律嘅方式。