10月8日消息，Chunyang Wang、Mingrui Zhang等研究者在预印本平台arXiv发表PoreML框架（10月7日提交），这是一个面向多孔介质多相流机器学习的开源框架，旨在统一数据生成、模型训练与基于孔尺度物理的评测流程。

多孔微结构内的多相流是CO2地质封存、燃料电池运行和倒装芯片封装等应用的核心物理过程，但润湿性和复杂孔隙几何共同控制着流体界面的非线性演化，传统预测方法成本高昂。机器学习虽被寄予厚望，却长期受制于时间分辨3D数据集稀缺、缺乏统一训练评测工作流两大瓶颈。

PoreML包含三大组件：一是经过解析解和已发表实验验证的GPU原生格子玻尔兹曼求解器，支持可复现的数据生成；二是3.3TB数据集，含560次模拟、158546个存储时间步，覆盖合成结构与源自真实材料micro-CT扫描的几何、多种润湿条件和黏度比；三是统一学习框架，评估单步预测与自回归推演，并用领域专用协议同时考察预测精度与物理一致性。团队在该协议下评测了五种不同架构的模型，并通过两项补充挑战考察模型向更大计算域的迁移能力及从合成结构到micro-CT真实结构的泛化能力。该框架为化工、能源领域发展可靠的多相流预测模型提供了共享基础设施。 （来源：arXiv）