在这项研究中,我们推出了一个名为PhyE2E的新AI模型,通过符号回归来发现物理公式。 PhyE2E通过使用神谕神经网络的二阶衍生物将其分解为子问题,简化了符号回归,并使用变压器模型以端到端的方式将数据转换为符号公式。 由此产生的公式通过蒙特卡洛树搜索和遗传编程进行改进。 我们利用大型语言模型合成类似于真实物理学的广泛符号表达式,并训练模型直接从数据中恢复这些公式。 综合评估表明,PhyE2E优于现有的最先进的方法,提供卓越的符号精度,数据拟合精度和物理单元的一致性。 我们将PhyE2E部署到太空物理学的五个应用中,包括太阳黑子数字的预测,太阳旋转角速度,发射线贡献函数,近地等离子体压力和月潮等离子体信号。 人工智能产生的物理公式在拟合卫星和天文望远镜的实验数据方面表现出高度的准确性。 我们成功地升级了1993年NASA提出的关于太阳活动的公式,并首次以明确的形式解释了太阳活动的长周期。 我们还发现,近地等离子体压力的衰减与地球成正比,随后的数学推导与另一项独立研究的卫星数据一致。 r^2 此外,我们发现物理公式可以描述太阳极紫外光谱中发射线,温度,电子密度和磁场之间的关系。 获得的公式与物理学家先前假设它应该具备的特性一致。