人工智能让算法从一个被迫的数据剖析员或仿照者，晋级为一个自动的探索者和创造者。它不再是仅仅从数据中“挖”出躲藏的规则，而是交融已知的常识，像一位实在的科学家相同，去生成并优化咱们从未想到过的新理论、新方程。

  11月21日，宁波东方理工大学张东晓院士团队提出了一种名为EqGPT的智能化偏微分方程发掘算法，将数据驱动与常识引导相结合，完成了新方程的自主生成与自适应优化。相关研讨成果宣布在《天然·通讯》上。

  偏微分方程是科学家根据第一性原理推导出来的，描绘接连改变的物理量（如温度、流体运动、电磁场）在多重维度上怎么改变的数学方程。偏微分方程发掘办法则是反其道而行之，经过剖析数据，从一个巨大的候选偏微分方程项库中，筛选出最简练、最精确描绘数据动态的项，然后发现数据中潜藏的物理规则。

  生成模型的发展为数据驱动方程发现带来了新机遇，有助于提醒杂乱体系的根本规则。但是，纯数据驱动技能面对平衡查找空间与优化功率的难题。为此，研讨团队引入了一种常识导向的办法，结合已有的偏微分方程，以促进发现进程。这些偏微分方程被编码为由算符和根本术语组成的语句状结构，用于练习一个生成模型，称为EqGPT，然后生成自在方式的偏微分方程。

  研讨团队构建了“生成—评价—优化”的闭环，即经过模型生成一系列新的方程，结合观测数据评价方程质量，运用最优的若干方程微调生成模型，使其更倾向于生成既合物理语法、又能解说数据的显式方程，然后快速收敛。

  研讨人员发现，该智能化偏微分方程发掘算法可以在稀少、噪声数据中精确恢复出已知的经典方程。一起，该算法对不规则的杂乱边界条件也表现出较高的适应性。此外，该算法可以扩展到高维数据，可以从三维的油—水两相驱替进程的仿照数据中发现其背面的饱和度—压力耦合的操控方程，这证明了该算法在多变量、多物理场耦合体系中的适用性。

  在此基础上，研讨团队还使用智能化偏微分方程发掘算法，成功地从实在国际的水槽试验数据中，发现了波涛破碎行为相关的新方程。

  人工智能让算法从一个被迫的数据剖析员或仿照者，晋级为一个自动的探索者和创造者。