一种名为WSINDy（弱形式稀疏非线性动力学识别）的新型算法，能够从复杂的气象数据中提取可解释的物理规律，有望显著提升天气预测能力并推动对大气物理机制的科学理解。 长期天气预报面临巨大挑战，主要源于天气系统的混沌特性。尽管物理方程可模拟大气运动，但微小误差会随时间指数级放大，使传统物理模型的预测时效通常不超过两周。为提升精度，现代气象模型依赖大量“参数”来表征温度、风速、气压等变量之间的复杂关系。然而，基于人工智能的模型如GraphCast和FourCastNet虽然预测精度高，却往往包含数千万甚至上亿个不可解释的参数，难以揭示背后的物理原理，限制了其在科学认知层面的贡献。 针对这一问题，Minor及其团队开发的WSINDy算法提供了一种新路径。该算法属于弱形式科学机器学习（WSciML）范畴，能从海量气象数据中自动识别出描述真实物理过程的数学方程。研究团队将WSINDy应用于模拟和真实大气湍流数据，包括温度、气压和风速等观测值。结果显示，该算法不仅能复现已知的物理方程，还能从全球尺度的真实气象观测数据中成功推导出大气运动的基本控制方程。 研究团队指出，WSINDy尤其适用于含有高噪声的观测数据，具备较强的鲁棒性。此外，该算法在识别某些复杂大气动力方程（如真实风场模型）方面仍有优化空间。未来，WSINDy有望拓展至更多科学领域，例如核聚变中的异常现象、疫情传播中的人群行为建模，以及细胞间通信引发的伤口愈合集体运动等前沿研究。 这项成果发表于《地球物理研究：机器学习与计算》期刊，标志着AI在实现“可解释科学”方面迈出关键一步。