BubbleFormer: Forecasting Boiling with Transformers¶

会议: NeurIPS 2025
arXiv: 2507.21244
代码: 有
领域: 科学计算 / 工程物理
关键词: 沸腾预测, Transformer, BubbleML, 时空分解注意力, 自主成核

一句话总结¶

提出 BubbleFormer，基于分解时空轴注意力的 Transformer 架构用于预测沸腾动力学——包括难以预测的自主气泡成核事件，配合 BubbleML 2.0 数据集（160+ 高保真仿真），在多种流体、几何和壁面条件下实现准确的沸腾时空过程预测。

领域现状：沸腾传热是工程中最复杂的多相流现象之一（核电冷却、电子散热、化工过程），传统数值仿真（如 VOF/Level-Set）计算成本极高（单次仿真需超级计算级资源），限制了设计空间探索。
现有痛点：
传统 CFD 仿真每次需数天到数周，无法实时或快速迭代
深度学习代理模型（FNO、U-Net等）在单相流/简单多相流上有效，但沸腾中的自主气泡成核（随机位置和时间出现新气泡）极难预测
现有代理模型多为短期外推，长期稳定性差
核心矛盾：沸腾既有连续的流场动力学（可用 PDE 学习），也有离散的随机事件（气泡诞生/合并/脱离），两者耦合使标准时空外推失效。
本文要解决什么？ 设计能同时处理连续物理场和离散随机事件（自主成核）的时空预测模型。
切入角度：用 FiLM 条件化（Feature-wise Linear Modulation）注入物理参数，分解的时空注意力降低复杂度，频率感知缩放处理多尺度物理。
核心 idea 一句话：分解时空注意力 + FiLM 物理条件化 + BubbleML 2.0 高保真数据 = 包含自主成核的沸腾预测。

输入：历史 \(T\) 个时间步的多场数据（温度场、相场、速度场）+ 物理参数（流体类型、壁面温度、接触角等）→ BubbleFormer → 未来 \(K\) 步的预测场。自回归预测实现长期外推。

分解时空注意力:
做什么：将全时空注意力分解为时间轴注意力和空间轴注意力的交替应用
核心思路：空间上每个位置对其他空间位置做注意力（固定时间），时间上每个时刻对其他时刻做注意力（固定空间位置），交替堆叠
设计动机：全时空注意力复杂度 \(O((HWT)^2)\) 在高分辨率时不可行；分解为 \(O((HW)^2 \cdot T + HW \cdot T^2)\)
FiLM 物理条件化:
做什么：将物理参数（流体类型、壁温、接触角）注入网络
核心思路：物理参数经 MLP 生成缩放因子 \(\gamma\) 和偏移 \(\beta\)，对特征做仿射变换 \(\gamma \cdot h + \beta\)
设计动机：不同物理条件下的沸腾行为差异巨大（水 vs 制冷剂，高热流 vs 低热流），条件化让单一模型适配多种工况
频率感知缩放:
做什么：处理沸腾中的多尺度物理（热边界层vs整体流动）
核心思路：在 patch embedding 时使用多尺度分辨率，低频捕捉整体热分布，高频捕捉气泡界面和热毛细效应
设计动机：沸腾过程中边界层厚度（~微米）和流域尺度（~毫米）相差数个量级

在 BubbleML 2.0 各工况下的预测误差：

任务	方法	温度场 RMSE	相场准确率
池沸腾预测	U-Net	基线	基线
池沸腾预测	FNO	中等	中等
池沸腾预测	BubbleFormer	最低	最高
自主成核预测	U-Net	较差	较差
自主成核预测	BubbleFormer	显著更优	可预测