PRIMS: Physics-guided Representation for Fluid Identification in Multimodal Sensing

📄 arXiv: 2607.22422v1 📥 PDF

作者: Hai-Long Nguyen, Trung Thanh Nguyen, Lars Holm, Dennis Alveringh, Duc Viet Le

分类: physics.flu-dyn, cs.AI

发布日期: 2026-07-24

备注: 2026 European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases

💡 一句话要点

提出PRIMS以解决微流体识别中的物理关系问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 微流体识别 物理感知 多模态Transformer 流体分类 鲁棒性 数据效率 物理关系 深度学习

📋 核心要点

  1. 现有方法忽视了流体行为的物理关系，导致在不同条件下的流体识别可靠性不足。
  2. PRIMS通过物理知识引导的多模态Transformer，将物理关系嵌入模型架构，提升流体分类的可解释性和数据效率。
  3. 在五流体基准测试中，PRIMS以仅46万参数实现98.92%的平均F1分数，显著优于现有方法，展现出强大的鲁棒性。

📝 摘要（中文）

准确的设备内流体识别对于微流体应用至关重要，但在不同流动、压力和温度条件下保持可靠性仍然是一个关键挑战。现有的基于学习的方法往往将传感器信号视为领域无关的特征，忽视了支配流体行为的物理关系，从而限制了模型的泛化能力和可解释性。为此，本文提出了PRIMS，一个物理感知的多模态Transformer，通过三个专门模块将物理知识融入表示学习和注意力机制。实验结果表明，PRIMS在动态流动、压力和温度条件下的五流体基准测试中实现了98.92%的平均F1分数，参数量仅为46万，相较于现有最先进的Transformer方法减少了14倍，并在未见温度和流速范围的分布外迁移中表现出强大的鲁棒性。

🔬 方法详解

问题定义：论文要解决的具体问题是如何在微流体应用中实现准确的流体识别，同时保持在不同流动、压力和温度条件下的可靠性。现有方法的痛点在于，它们将传感器信号视为领域无关的特征，忽视了流体行为的物理关系，限制了模型的泛化能力和可解释性。

核心思路：论文的核心解决思路是提出PRIMS，一个物理感知的多模态Transformer，通过将物理知识融入表示学习和注意力机制，来提升流体分类的准确性和鲁棒性。这样的设计使得模型能够直接利用物理关系，从而提高其在不同环境下的表现。

技术框架：PRIMS的整体架构包括三个主要模块：物理基础的Token向量化模块将原始的科里奥利和压力传感器信号转化为物理意义的token嵌入；物理成分合成器模块建模流动、压力和密度之间的粘度相关依赖关系；物理引导的融合模块通过基于注意力的集成捕捉跨物理相关性。

关键创新：PRIMS的最重要技术创新在于将物理关系直接嵌入模型架构中，打破了传统方法的局限，使得模型不仅具备更好的可解释性，还能在未见条件下保持高效的流体分类能力。与现有方法相比，PRIMS在参数量上显著减少，同时提升了性能。

关键设计：在关键设计方面，PRIMS的参数设置经过精心调整，损失函数采用了适应性策略，以确保模型在不同流体条件下的学习效果。此外，网络结构通过引入物理知识模块，使得模型能够有效捕捉流体行为的复杂性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

PRIMS在五流体基准测试中实现了98.92%的平均F1分数，参数量仅为46万，相较于最先进的Transformer方法减少了14倍。此外，PRIMS在未见温度和流速范围的分布外迁移中表现出强大的鲁棒性，显示出其在不同操作条件下的可靠性。

🎯 应用场景

该研究的潜在应用领域包括微流体传感器、医疗诊断、环境监测等。通过提高流体识别的准确性和鲁棒性，PRIMS能够在实际应用中提供更可靠的流体分类，推动微流体技术的发展，尤其是在动态和复杂环境下的应用场景。未来，PRIMS的设计理念也可能被扩展到其他领域的传感器数据处理和分析中。

📄 摘要（原文）

Accurate on-device fluid identification is essential for microfluidic applications, yet maintaining reliability under varying flow, pressure, and temperature remains a key challenge. Existing learning-based methods often treat sensor signals as domain-agnostic features, neglecting the underlying physical relationships that govern fluid behavior, thereby limiting generalization and interpretability. To address this, we propose PRIMS, a physics-aware multimodal Transformer that integrates physical knowledge into representation learning and attention mechanisms through three dedicated modules: (1) Physics-based Token Vectorization transforms raw Coriolis and pressure sensor signals into physically meaningful token embeddings; (2) Physical Component Synthesizer models viscosity-related dependencies among flow, pressure, and density; and (3) Physics-guided Fusion captures cross-physical correlations through attention-based integration. By embedding these physics-based relationships directly into the model architecture, PRIMS bridges analytical fluid mechanics and deep learning, enabling interpretable, data-efficient, and resilient fluid classification. Evaluations on a five-fluid benchmark under dynamic flow, pressure, and temperature conditions show that PRIMS achieves 98.92% average F1-score with only 0.46 million parameters, a 14 times reduction compared to state-of-the-art Transformer-based methods. PRIMS also consistently outperforms prior SOTA models under out-of-distribution shifts to unseen temperature ranges and unseen flow-rate ranges, indicating strong robustness to operating conditions not observed during training. These findings suggest that designing architectures that explicitly mirror governing physical relationships can make them learn transferable, environment-independent representations, improving real-world reliability for microfluidic sensing.