2025年11月11日，来自中国清华大学、北京大学和其他机构的研究者在Nature Machine Intelligence 上通过论文发布了能够直接从原始太空观测数据中识别出物理方程的新型AI框架‑‑‑PhyE2E。文章描述，该框架在面对磁场探测器和等离子体仪器采集的高噪声、间断性数据时，仍能恢复出简洁的数学表达式，揭示控制磁层与日冕等离子体演化的本征规律。
框架的核心步骤分为两部分：首先用深度神经网络对原始时间序列进行降噪与连续化处理，生成在时间和空间上可微分的表示；随后对这些表示施以稀疏符号回归（sparse symbolic regression），在预先构造的候选算子库中搜索最简的微分或代数方程。作者强调，正是“可微表示+稀疏搜索”的组合，使得系统既能利用神经网络的拟合能力，又能输出可解释的闭式方程。
论文给出了多组验证实验：在人工构造的等离子体动力学模型上，框架成功重建了包含时间导数和非线性耦合项的方程；在真实航天器观测子集中，研究团队演示了如何从有缺损和测量误差的数据片段中恢复出控制流体和磁场演化的主导项。文中对噪声容忍度、数据缺失比例与候选库规模之间的权衡做了详细量化，指出候选算子过多会导致过拟合，而候选库过窄则可能错失关键物理项。
研究者还讨论了该方法在空间物理学中的潜在用途：自动识别新出现的动力学机制、为数值模型提供简洁的闭式近似、以及在未来任务的大规模数据流中快速筛选出需要人工深入分析的异常事件。文章提到，此框架与现有物理约束学习方法不同之处在于——它既不完全依赖先验方程结构，也不只停留在黑盒预测，而是直接产出便于物理解释的数学表达。
该工作对年轻研究者和数据科学家具有吸引力：它把神经网络的表达力和符号方法的可解释性结合起来，降低了从观测到理论发现之间的门槛。研究团队表示，下一步将把框架推广到更大规模的在轨任务数据，并探索将领域知识（如守恒律）直接引入候选算子库，以提升发现效率和物理一致性。
这项研究为太空物理学的数据驱动发现提供了一个新工具，有望在未来几年内改变人们从海量航天器观测中提炼物理定律的方式。