想象一下，你正试图预测一台复杂机器在明天的运动方式。你可以构建一个极其详尽的计算机模拟，计算每一个齿轮和弹簧，但这非常耗时且极其耗电。或者，你可以使用一个“黑盒”人工智能，它能快速给出猜测，但你看不出它是如何得出答案的，因此你不知道它是在撒谎，还是仅仅运气好而已。科学家们想要第三种选择：一套简单、清晰的规则（就像食谱一样），它运行速度快、易于阅读，并且符合物理定律。这便是“符号发现”（symbolic discovery）的圣杯——寻找支配事物运动的隐藏数学方程，从摆动的单摆到旋转的气流模式。挑战在于，虽然人工智能擅长识别模式，但它经常会产生看似合理但在下一刻就会崩溃的“幻觉规则”。

这篇论文介绍了一种修复该问题的巧妙新方法，称为“验证器引导的模型发现”（Verifier-Guided Model Discovery）。可以把它想象成一场才艺表演，一个机器人裁判（预训练的人工智能）生成了数百个关于系统运动方式的潜在方程。与其仅仅挑选那个听起来最令人印象深刻的方程，不如引入一组严格的“验证器”作为安全检查员。他们会对每个候选方程进行一系列严苛的测试：它是否保持稳定？它的摆动频率是否正确？它是否违反了物理定律？只有通过了每一项测试的方程才能留下来。作者在两个截然不同的问题上测试了这种方法。首先，他们将其用于一个经典的摆动系统——范德波尔振荡器（Van der Pol oscillator），他们的这种方法找到了比标准 AI 方法更可靠的方程。随后，他们挑战了一个更难的任务：预测风吹过圆柱体（如烟囱或桥墩）时产生的旋转“涡旋脱落”（vortex shedding）。通过将流体模拟的大量数据简化为几个关键数字，他们的验证器引导系统成功发现了一套简单的方程，不仅能预测一种风速下的旋转运动，还能预测整个风速范围内的运动。其结果是，这种方法将“黑盒”AI 的猜测转化为了透明、可审计且在物理上值得信赖的模型。

问题所在：“黑盒”猜谜游戏

在物理学和工程领域，预测事物的运动至关重要。无论是设计更安全的汽车、预测风暴，还是理解太空中的等离子体流动，我们都需要既快速又可靠的模型。传统的、高保真度的模拟就像是为了预测潮汐而去数沙滩上的每一粒沙子；它们极其精确，但由于过于缓慢且成本高昂，往往无法用于快速决策。

另一方面，现代机器学习提供了“代理模型”（surrogates）——即通过学习数据而实现的快速 AI 模型。但这些模型通常是“黑盒”。你输入数据，它们输出预测，但你无法看到内部的数学逻辑。它们可能对训练数据表现完美，但如果你要求它们预测稍微不同的情况，它们可能会表现得一败涂地，因为它们学习到了错误的模式，或者编造了现实中并不存在的规则。

科学家们一直尝试利用人工智能来寻找“符号化”模型。这些是描述系统的显式数学方程（例如 $F = ma$）。其核心理念是，如果人工智能能写下这个方程，人类就可以阅读、检查并信任它。然而，这里有一个陷阱：在合成的、虚构的数据上训练的人工智能模型，在尝试将这些规则应用于真实的、杂乱的物理数据时，往往会遇到困难。它们可能会生成一个在某一特定时刻看起来正确的方程，但在条件发生变化时便会彻底失效。

解决方案：“验证器引导”的工作流

本文的作者 Farbod Faraji 和 Francesco Belardinelli 提出了一种名为验证器引导（VG）模型发现的解决方案。他们使用了一个名为 ODEFormer 的预训练 AI 工具作为“骨干”。可以将 ODEFormer 想象成一位创意作家，他读过数百万本数学教科书，能够瞬间生成数百个关于系统可能如何运动的方程。

在旧的方法中，你会根据当前拥有的数据来选择最优方程。但作者意识到这样做是有风险的。相反，他们构建了一个工作流：首先由 ODEFormer 从许多不同的场景（不同的起始点或条件）中生成大量的候选方程池，然后由一组“验证器”介入。

这些验证器就像是严格的安全检查员。他们不仅仅观察方程与数据的拟合程度，还会将方程在时间轴上向前运行（这一过程称为“展开”或“rollout”），以观察其行为是否正确。他们检查：

1. 稳定性： 系统是否会爆炸或趋向无穷大？
2. 物理容许性： 它是否遵循系统的基本规则（例如控制能量水平或维持特定的节奏）？
3. 一致性： 它是否适用于所有不同的起始条件，而不仅仅是它所训练的那一个？

只有通过了每一项测试的方程才会被保留。最终的模型不仅要符合数据，还要能通过这种严苛的“压力测试”。

实验：从单摆到旋转的风

团队在两个截然不同的挑战上测试了该方法，以验证其真实有效性。

1. 范德波尔振荡器（简单测试）
首先，他们使用了经典的物理问题——范德波尔振荡器。这是一个前后摆动的系统，但带有一个特殊的机制：它具有一种内置机制，无论初始推力是大是小，都能让它保持稳定的摆动。这是一个完美的测试，因为我们已经掌握了其“真实”的方程。

他们将“验证器引导”方法与使用 ODEFormer 的标准方法进行了对比。标准方法试图仅基于一次摆动来寻找方程；而 VG 方法则观察了从不同位置开始的多次摆动。

• 结果： VG 方法是明显的赢家。当他们在新的、未见过的起始点上测试模型时，标准方法经常失败，导致摆动变得狂乱或停止。而 VG 方法找到的方程在所有条件下都能保持稳定且准确。它成功恢复了物理结构的真实形态，证明了检查多种场景比单纯拟合单一场景效果更好。

2. 流经圆柱体（现实世界挑战）
接下来，他们转向了更难的领域：流体力学。想象一下风吹过一个圆柱形杆子（如桥墩）。在杆子后方，空气流动并不平滑，而是呈现出一种交替旋转的涡旋模式，被称为“卡门涡街”（von Kármán vortex street）。这种现象在工程学中至关重要，因为如果风力过强，这些旋转产生的力量可能会震碎桥梁或建筑。

模拟这种气流涉及在每一时刻求解空间中 60,000 个点的庞大方程组。由于过于复杂，很难为整个过程找到一个简单的方程。因此，团队首先使用了一种技术将这些海量数据“压缩”为几个捕捉主要运动的关键数字（坐标），然后要求其 VG 工作流为这几个数字寻找方程。

• 固定速度测试： 首先，他们在单一风速（雷诺数为 300）下进行了测试。系统成功发现了描述旋转运动的一组方程。它找到了旋转运动的主要“节拍”，甚至捕捉到了更高阶的“谐波”（即流场音乐和弦中的高音部分）。至关重要的是，它在没有被告知方程应有的形式，也没有提供流体方程库的情况下，仅凭数据和验证器就自行推导出了结果。
• 变速测试： 真正的奇迹发生在要求系统处理不同风速时。他们在一个范围内的速度（雷诺数 150 到 450）上进行训练，然后要求它预测在它从未见过的速度（175、275、425 甚至 500）下会发生什么。
  • 结果： 该模型表现得惊人地出色。它找到了一个将风速作为变量的统一方程集。当他们在“留存”的速度下进行测试时，它成功预测了旋转运动。即使在最高的风速（500）下——这已经超出了训练范围——模型也没有崩溃，而是保持了完整的旋转模式。
  • 核心洞察： 作者发现，仅仅拥有良好的“数据图像”（重建保真度）是不够的。有些模型虽然在数据拟合上看起来很完美，但却因为其底层数学结构不稳定而被验证器淘汰。验证器对于寻找那些真正“可发现”且符合物理规律的模型至关重要。

这意味着什么

这篇论文并不声称已经解决了物理学中的所有问题。作者谨慎地指出，该方法在数据可以被压缩为几个表现出某种可预测行为的数字时效果最好。如果系统过于混沌，或者“压缩”后的数据丢失了重要的隐藏细节，该方法可能会面临挑战。

然而，这些发现意义重大。它们表明，通过将创造性的 AI 生成器与严格的物理“验证器”相结合，我们可以超越“黑盒”预测。我们可以获得具有以下特性的模型：

• 可解释性： 我们可以阅读方程并理解其中的物理原理。
• 可审计性： 我们可以检查它们是否遵守自然法则。
• 泛化性： 它们不仅适用于观测到的数据，也适用于未曾遇到的新情况。

作者认为，这种“验证器引导”的方法是迈向让 AI 成为可靠科学发现伙伴的重要一步，帮助我们在复杂、混乱的现实世界数据中，发现那些简单、优雅的隐藏规则。它将人工智能从一个“猜谜者”转变为一个我们真正可以信任的“发现者”。