2025_NIPS_Bubbleformer: Forecasting Boiling with Transformers

一、文章主要内容总结

该研究聚焦沸腾这一混沌多相流物理过程（对能源、热管理系统至关重要），针对现有神经网络代理模型在沸腾动力学预测中存在的依赖未来输入、无法学习成核过程、难以建模流动沸腾速度场等问题，提出了基于Transformer的时空模型Bubbleformer，并构建了更全面的数据集BubbleML 2.0。

1. 研究背景：沸腾是高效传热方式，广泛应用于核反应堆、数据中心冷却等场景，但物理过程混沌多尺度，传统高保真模拟计算成本极高；现有ML模型存在诸多局限，无法满足自主预测需求。
2. 核心模型Bubbleformer：通过分层补丁嵌入、基于FiLM的物理参数调节、因式分解时空轴向注意力、频率感知缩放等创新结构，实现无需模拟数据依赖的沸腾动力学长程预测，涵盖成核、界面演化、传热等关键过程，可泛化于不同流体、几何结构和工况。
3. 数据集BubbleML 2.0：包含160余个高保真模拟，覆盖低温流体、制冷剂、电介质等多种流体，池沸腾与流动沸腾等配置，以及泡状、弹状、环状等流型，为模型泛化能力训练提供支撑。
4. 评估体系：提出基于物理意义的可解释指标，包括热通量一致性、Eikonal方程损失（界面几何正确性）、蒸汽质量守恒，弥补传统像素级误差指标的不足。
5. 实验结果：Bubbleformer在预测精度和长程稳定性上超越UNet、FNO等现有模型，首次实现物理合理的沸腾动力学自主预测，为多相流传热的实时模拟、参数研究和设计优化提供可能。

<