Des chercheurs de l'université Clarkson ont développé un outil d'intelligence artificielle baptisé KANDy, capable de révéler les équations mathématiques régissant les systèmes complexes et chaotiques à partir de simples données d'observation. À l'inverse des réseaux neuronaux traditionnels qui opèrent comme des boîtes noires prédictives sans fournir de compréhension réelle, KANDy se distingue par son caractère entièrement interprétable. Le modèle s'appuie sur les réseaux de Kolmogorov-Arnold, une architecture spécialisée qu'ils ont adaptée pour analyser les systèmes dynamiques. Conduite par Erik Bollt et menée par Kevin Slote et Jeremie Fish, cette étude présente une méthode capable d'identifier les lois physiques sous-jacentes même lorsque les approches classiques échouent face à des données bruitées, non linéaires ou hautement imprévisibles. En injectant des observations dans l'outil, l'algorithme restitue automatiquement les équations explicites qui gouvernent le phénomène. Les tests effectués sur des systèmes discrets et continus, ainsi que sur des équations aux dérivées partielles chaotiques, ont confirmé sa précision. Le modèle a notamment réussi à reconstruire la topologie complexe de la fibrillation de Hopf, démontrant sa capacité à capturer des propriétés mathématiques profondes. Publiée sur le serveur de prépublications arXiv, cette recherche ouvre de nouvelles perspectives pour la modélisation fondée sur les données. En fournissant directement des formules explicites, KANDy permet aux scientifiques et aux ingénieurs de décrypter des phénomènes physiques autrefois considérés comme trop irréguliers pour être formalisés. Le code est disponible publiquement sur GitHub, invitant la communauté académique à explorer son utilisation dans divers domaines scientifiques.