تُعد التنبؤات الجوية طويلة المدى تحديًا كبيرًا بسبب الطبيعة الفوضوية للأنظمة الجوية، حيث تُقاس التغيرات الصغيرة في الظروف الجوية بسرعة، مما يحد من دقة النماذج القائمة على الفيزياء إلى نحو أسبوعين فقط. تُستخدم في هذه النماذج معاملات تقديرية تمثل تأثيرات عمليات فيزيائية معينة، مثل توزيع الحرارة أو سرعة الرياح، لكنها غالبًا ما تكون غير مفهومة من الناحية العلمية، مما يقلل من قيمتها في فهم الظواهر الجوية. في السنوات الأخيرة، أحدثت النماذج القائمة على الذكاء الاصطناعي مثل GraphCast وFourCastNet ثورة في التنبؤ الجوي بفضل قدرتها على التعلم من كميات ضخمة من البيانات وتقديم توقعات دقيقة. ومع ذلك، فإن هذه النماذج تعتمد على ملايين المعلمات غير القابلة للتأويل، ما يجعلها "صندوقًا أسود" من الناحية العلمية، ولا تساهم بشكل فعّال في فهم الأسس الفيزيائية للطقس. لحل هذه المشكلة، قام باحثون بقيادة سETH MINOR بتطوير خوارزمية جديدة تُعرف بـ WSINDy (Weak form Sparse Identification of Nonlinear Dynamics)، وهي جزء من منهجية التعلم الآلي العلمي الضعيف (WSciML). تختلف WSINDy عن النماذج التقليدية في أنها لا تعتمد على عدد هائل من المعلمات، بل تسعى إلى استخلاص المعادلات الرياضية التي تمثل العمليات الفيزيائية الحقيقية، مثل التفاعل بين الضغط الجوي والكثافة والدوران لتحديد سرعة واتجاه الرياح. تم اختبار الخوارزمية على بيانات محاكاة وبيانات حقيقية من جو الأرض، شملت قياسات درجة الحرارة والضغط وسرعة الرياح. أظهرت النتائج أن WSINDy تمكنت من استخلاص المعادلات المعروفة من النماذج المحاكاة بدقة، وأكثر من ذلك، نجحت في استخلاص المعادلات الأساسية للفيزياء الجوية من بيانات مجمعة عالميًا تعكس ملاحظات جوية حقيقية. هذا يشير إلى إمكانية استخدام WSINDy ليس فقط لتحسين دقة التنبؤات الجوية، بل أيضًا لاستكشاف مفاهيم فيزيائية جديدة تفسر سلوك الأنظمة الجوية المعقدة. كما تُظهر الخوارزمية كفاءة عالية في التعامل مع البيانات المليئة بالضوضاء، وهي ميزة مهمة في البيانات الجوية التي غالبًا ما تكون متأثرة بعوامل خارجية. رغم النجاحات المبكرة، يشير الباحثون إلى الحاجة إلى تحسين الخوارزمية لتمكينها من التعرف بدقة على معادلات معينة، مثل النماذج الواقعية للرياح الجوية. كما تُدرس تطبيقاتها في مجالات علمية أخرى، منها اندماج الطاقة النووي، وسلوك السكان في تفشي الأمراض، وتفاعل الخلايا أثناء الشفاء من الجروح. النتائج، المنشورة في مجلة Journal of Geophysical Research: Machine Learning and Computation، تمثل خطوة مهمة نحو دمج الذكاء الاصطناعي مع الفيزياء الأساسية، مما يفتح آفاقًا جديدة لفهم الطبيعة وتحسين التنبؤات العلمية.