(HB-ARFM) History-Bootstrapped Flow Matching for Inverse Boiling Reconstruction¶

会议: ICML2026
arXiv: 2606.00349
代码: 待确认
领域: 科学机器学习 / 逆问题重建 / Flow Matching / 多相流
关键词: 流匹配, 自回归, 沸腾流场, 部分观测, 时空逆问题

一句话总结¶

HB-ARFM 用"历史观测引导"的条件 flow matching 解决多相沸腾流场的逆问题重建：先用一段历史观测窗口 bootstrap 出初始隐状态，再用同一个条件速度场自回归地把重建向前推进，在仅观测界面几何与界面速度的情况下，首次完成完整温度场与速度场的时空一致重建。

研究背景与动机¶

领域现状：两相沸腾是已知最高效的传热形式，但温度场、速度场、相间质量传输等关键量在实验中几乎无法直接测量；以往的学习方法（neural operator、Bubbleformer、FFNO 等）几乎都假设可以拿到完整模拟数据做"前向预测"或代理建模。

现有痛点：把这些前向模型用到只有图像（界面分割 + 光流）的真实场景，会立刻碰到 cold start 问题——没有真值初始状态可以喂进去；而 DiffusionPDE、FunDPS 这类生成式逆问题方法只能做单帧重建，无法保证时间一致性；VE-SDE 等甚至会直接坍缩到近均匀场。

核心矛盾：虽然两相 N-S 方程在完整状态上是马尔可夫的，但只观察界面几何 \(\phi\) 这样的部分变量后，根据 Mori-Zwanzig (MZ) 形式主义，可观测变量的有效动力学就会出现非局部记忆核——单时刻观测里"少掉的那些隐变量"的影响必须靠历史才能找回来。换句话说，部分观测把一个马尔可夫前向问题变成了非马尔可夫逆问题。

本文目标：在只看到 (i) 界面几何 \(\phi\)、(ii) 界面法向速度 \(\mathbf{u}_\Gamma\) 的前提下，同时重建液相和气相的完整温度 \(\tau\) 和速度 \(\mathbf{u}\) 场，并保证：观测一致 + 物理合理 + 时间连贯 + 长时滚动稳定。

切入角度：既然 MZ 告诉我们记忆核的存在源于隐变量，那么用有限长度的观测历史窗口就能近似补回这部分信息——历史长度只要覆盖气泡上升时间与冷凝时间这种特征时间尺度即可。

核心 idea：用历史观测先 bootstrap 出第一个隐状态，然后把同一个条件 flow matching 模型当作"自带数据同化的自回归推进器"，每一步同时吃当前观测和上一步重建结果。

方法详解¶

整体框架¶

输入是一段从 \(t=0\) 开始、长度为 \(w\) 的观测序列 \(y_{0:T}\)（每帧是 SDF 形式的界面 \(\phi\) + 界面法向速度 \(\mathbf{u}_\Gamma\)）；输出是 \(t=w,\dots,T\) 的完整温度+速度场 \(\{\hat{X}_t\}\)。整个 pipeline 分两阶段，但共享同一个条件速度网络 \(v_\theta\)：

Bootstrap 阶段：历史编码器 \(\zeta_\phi\) 把 \(y_{0:w}\) 压成初始状态估计 \(\hat{X}_w\)，再喂给 \(v_\theta\) 用 flow matching 从高斯噪声生成首帧 \(\hat{X}_w\)。
自回归阶段：对 \(t>w\)，把上一步预测 \(\hat{X}_{t-1}\) 和当前观测 \(y_t\) 拼成条件 \(\mathbf{c}_t=[y_t,\hat{X}_{t-1}]\)，再用同一个 \(v_\theta\) 解 ODE 采样出 \(\hat{X}_t\)，如此滚动。

绿色路径（bootstrap）与红色反馈回路（AR + 数据同化）合在一起，让模型一次性把"逆重建"和"数据同化"统一在条件传输框架里。

关键设计¶

历史 bootstrap 初始化（解决 cold start）:
- 功能：在没有真值初始状态的逆问题里，用一段长度为 \(w\) 的历史观测窗口 \(y_{0:w}\) 生成首帧隐状态估计 \(\hat{X}_w\)，替代传统 AR 方法默认能拿到的 ground-truth \(X_0\)。
- 核心思路：训练时联合优化两个损失——历史编码器的回归损失 \(\mathcal{L}_{\text{boot}}=\|\zeta_\phi(y_{t_0-w:t_0-1})-X_{t_0}\|^2\)，以及以 \(\mathbf{c}_{t_0}=[y_{t_0},\hat{X}_{t_0}]\) 为条件的 flow matching 速度场损失 \(\|X_{t_0}-\mathbf{x}^0-v_\theta(\mathbf{x}^s,\mathbf{c}_{t_0},s)\|^2\)，其中 \(\mathbf{x}^s=(1-s)\mathbf{x}^0+sX_{t_0}\) 是 OT 路径上的线性插值。
- 设计动机：MZ 形式主义保证记忆核在特征时间（沸腾里是气泡上升时间 + 冷凝时间）外指数衰减，因此一个固定长度的窗口就够用；这一步把生成式模型从"瞬时观测→完整状态"的不适定映射，弱化为"历史观测→完整状态"的较好约束问题。
共享条件 flow matching 速度场 + 自回归推进:
- 功能：用同一个网络 \(v_\theta(\mathbf{x}^s,\mathbf{c}_t,s)\) 既做 bootstrap 又做 AR 推进，每一步既吸收新观测又消化上一步状态，等价于在一个统一框架里同时做逆重建 + 数据同化。
- 核心思路：在 AR 阶段把条件改成 \(\mathbf{c}_t=[y_t,\hat{X}_{t-1}]\)，flow matching 目标变为 \(\|X_{t_0+k}-\mathbf{x}^0-v_\theta(\mathbf{x}^s,\mathbf{c}_{t_0+k},s)\|^2\)，推理时用 4 阶 Runge-Kutta 解 \(d\mathbf{x}_s/ds=v_\theta(\mathbf{x}_s,\mathbf{c}_t,s)\) 从噪声生成 \(\hat{X}_t\)。因为 bootstrap 与 AR 共享参数，训练时一条轨迹同时贡献两种损失 \(\mathcal{L}=\mathcal{L}_{\text{boot}}+\mathcal{L}_{\text{AR}}/(K-1)\)，避免了两阶段拼接带来的分布漂移。
- 设计动机：HistoryFM 那种"每帧独立采样"的方案不保证 \(\hat{X}_{t+1}\) 在物理上可以从 \(\hat{X}_t\) 到达，所以会出现 wake 时有时无；本文显式把上一步状态写进条件，等价于一个隐式的"自带物理流形约束"的数据同化器。
Factored 时空 Transformer 历史编码器:
- 功能：把 \(w\) 帧观测 \(\{y_{t-w},\dots,y_{t-1}\}\) 压成首帧隐状态估计，同时避开 joint space-time attention 的二次方代价。
- 核心思路：每帧用 \(p\times p\) 卷积 patch embedding 拿到 \(N=(H/p)(W/p)\) 个 token，加 2D 正弦空间位置编码 + 可学习时间位置编码；\(L\) 层交替的 (空间 self-attention 在每帧内部) + (因果时间 self-attention 在每个 patch 位置上跨帧)；末层只保留最后一帧的 token，经 linear unpatchify 加 learnable scale/bias 还原到像素空间。
- 设计动机：空间和时间 attention 解耦后，每个像素既能整合整段历史又只付 \(O(w+N^2)\) 的代价；因果时间 mask 保证 bootstrap 阶段不偷看未来；末层只取最后一帧符合"用历史 nowcast 出当前状态"的语义。

损失函数 / 训练策略¶

单轨迹联合损失 \(\mathcal{L}=\mathcal{L}_{\text{boot}}+\mathcal{L}_{\text{AR}}/(K-1)\)，其中 bootstrap 损失同时含历史回归 MSE 和 flow matching 速度场 MSE，AR 损失是 \(K-1\) 步条件 flow matching 的平均。骨干用 Residual U-Net 做速度场参数化，flow time \(s\in[0,1]\) 经正弦嵌入后注入残差块；ODE 用 RK4 求解。训练时随机采起始点 \(t_0\sim\mathrm{Uniform}(w,T-K)\)，bootstrap 与 AR 段在同一条轨迹上联合优化，强制两套条件共享同一个 \(v_\theta\)。

实验关键数据¶

主实验¶

数据集为 BubbleML，分为 subcooled pool boiling 与 flow boiling 两个 setting；两个逆任务：(T1) 只给 \(\phi\) 重建温度，(T2) 给 \(\phi+\mathbf{u}_\Gamma\) 联合重建温度+速度。baseline 涵盖 DDPM / VE-SDE / 标准 FM / DiffusionPDE / PDEDiff / Bubbleformer / FFNO / UNet / HistoryFM。

维度	HB-ARFM 表现	对比基线	关键观察
近界面重建	锐利梯度 + 一致 wake	大多数模型都还行	界面附近几何约束强，区分度低
Bulk 区温度/速度	保留细尺度 + 高频能量	FFNO/UNet 过度平滑；VE-SDE 坍缩近均匀	bulk 才是真正考验
HF Energy Ratio	最高（与 HistoryFM 同档）	DiffusionPDE/DDPM 碎片化	历史条件能保住高频
Wall heat flux 误差	全场最低	—	沸腾换热最关键的工程指标
长时滚动（300 步）	误差稳定，跨 seed 方差随时间下降	Bubbleformer/UNet 立刻坍缩；HistoryFM 帧间漂移；PDEDiff 直接发散	cold start + AR 缺一不可
Flow boiling 泛化	速度幅值比 = 1，wall heat flux 误差 < 0.2%	—	在动力学完全不同的 setting 也成立

消融实验¶

配置	关键现象	说明
完整 HB-ARFM	重建一致 + 长时稳定	联合优化 bootstrap + AR
历史窗 \(w\) 从 1 → 64	温度/速度误差随 \(w\) 单调下降	速度场对历史更敏感，符合 MZ：记忆核对隐藏速度场贡献更大
HistoryFM（独立每帧采样，无 AR 反馈）	单帧好看但 wake 时有时无	证明 AR 反馈是时间连贯的关键
PDEDiff（联合窗口 + 随机 masking）	直接发散	联合空间时间建模在多相+sharp interface 下不稳定
前向 SOTA（Bubbleformer/UNet）	cold start 即崩	证明 history bootstrap 不可或缺

关键发现¶

历史长度 \(w\) 越大，重建误差越小，且对速度的提升明显大于温度——这与 MZ 形式主义一致：速度场是隐变量主导，需要更长的记忆核来恢复。
HistoryFM 与 HB-ARFM 都用了历史，但只有 HB-ARFM 不会出现 wake "闪烁"，说明 AR 反馈把"相邻帧的物理可达性"显式写进了条件，这一点比"看更多历史"更重要。
测量空间一致性测试中，把预测速度场再过一遍观测算子 \(H\)，与输入 \(y_{\text{obs}}\) 的 cosine similarity 在 300 步滚动后仍 > 0.92，证明模型没有生成自相矛盾的场。
模型在训练分布外 \(T_{\text{wall}}=117\)°C 仍能保持 < 2% 的 wall heat flux 误差，说明它学到了"边界条件 → 相变换热"的函数关系而不是简单插值。

亮点与洞察¶

Mori-Zwanzig 形式主义当作设计原理：作者不是凭直觉加历史，而是用 MZ 证明"部分观测一定带来非马尔可夫性"，进而把"有限窗口够用"的合理性也用 MZ 的指数衰减记忆核论证清楚——理论动机和工程设计完全对齐。
共享 \(v_\theta\) 把 cold start 和数据同化合并：bootstrap 阶段把"无初始状态"的逆问题转化为有初始状态的问题，AR 阶段又把"持续观测"转化为隐式数据同化，两件事在同一个条件速度场里完成，参数效率和分布对齐都很漂亮。
沸腾流作为 SciML 逆问题 benchmark：sharp interface、多物理耦合、隐藏传输三件套同时存在，是少数能同时压测生成式、AR、PINN 三类方法的场景。文章顺便把现有方法的失效模式都画出来了，对后续工作很有参考价值。

局限与展望¶

模型完全数据驱动，没有在训练里显式加守恒约束，divergence 误差表明质量守恒并不完美；未来可加 projection 或 divergence penalty。
历史编码器是有损的，作者承认这是一个 lossy bottleneck——更强的 history encoding（比如可学习的记忆核 / state-space model）有空间。
所有评估都在仿真数据上，sim-to-real gap 是开放问题：真实沸腾图像有噪声、有传感器漂移，且没有真值场可以监督。
我的观察：bootstrap 与 AR 共享同一个 \(v_\theta\)，但两者的条件结构差异不小（一个吃 \(\hat{X}_w=\zeta_\phi(y_{0:w})\)，一个吃 \(\hat{X}_{t-1}\)），参数共享是否最优可以再探讨——尤其当历史窗很长时，bootstrap 那一支可能需要不同 capacity。
流量任务 (flow boiling) 中温度仍然偏弱，原因是流向对流主导，模型还没专门处理 streamwise advection 的长程依赖，可以考虑显式加 advection-aware 模块。

评分¶

新颖性: ⭐⭐⭐⭐ 用 MZ 形式主义当设计原理 + bootstrap/AR 共享 \(v_\theta\) 是较新颖的组合，但 AR flow matching 和 history conditioning 单独都不算首创。
实验充分度: ⭐⭐⭐⭐⭐ 两个任务 × 两个 setting × 10 个 baseline，含 history-length ablation、长达 300 步的滚动稳定性、OOD 边界条件外推、measurement-space 一致性等多维度评估。
写作质量: ⭐⭐⭐⭐ Problem formulation 严谨（MZ 论证清晰），方法和算法伪代码完整；缺点是 figure 引用对纯文本读者不太友好。
价值: ⭐⭐⭐⭐⭐ 首次完成"只靠成像观测重建完整沸腾热流体场"，对热管理、数据中心冷却、安全系数（CHF 估计）都有直接工业意义；同时把沸腾推荐成 SciML 逆问题的标准 stress test，对社区有 benchmark 价值。