知识卡片：PRIMS：多模态传感中物理引导的流体识别表征

英文标题：PRIMS: Physics-guided Representation for Fluid Identification in Multimodal Sensing
英文关键词：physics-guided representation; fluid identification; multimodal sensing; Transformer; microfluidics

一句话结论

PRIMS 通过将流体力学物理关系显式嵌入 Transformer 架构（三个专用模块），在仅 0.46M 参数下对五种流体分类达到 98.92% 平均 F1 分数，相比当前最优 Transformer 方法参数减少 14 倍，并在未见过的温度/流速分布偏移下保持鲁棒性，为片上微流控设备中的可靠流体识别提供了可解释、数据高效且抗环境变化的方案。

事件概述与研究问题

精准的片上流体识别对微流控应用至关重要，但实际运行中流速、压力和温度变化剧烈，现有基于学习的方法往往将传感器信号视为领域无关特征，忽略了控制流体行为的物理关系，导致泛化能力差且缺乏可解释性。本文提出 PRIMS（Physics-guided Representation for Multimodal Sensing），一种物理感知的多模态 Transformer，旨在通过内嵌物理知识来提升流体分类的鲁棒性与解释性。

方法/产品要点

PRIMS 包含三个核心模块：

Physics-based Token Vectorization：将科里奥利流量计和压力传感器原始信号转换为具有物理意义的 token 嵌入；
Physical Component Synthesizer：显式建模与粘度相关的流速、压力、密度之间的依赖关系；
Physics-guided Fusion：通过基于注意力的融合捕捉跨物理量的相关性。整个架构直接将分析流体力学中的控制方程关系嵌入模型设计，无需额外物理约束损失或预训练规则，实现了端到端的物理引导表示学习。

主要结果与产业意义

在五种流体动态条件下，平均 F1 分数达 98.92%，参数仅 0.46M，比当前最优 Transformer 方法参数减少 14 倍。
在未见过的温度范围（out-of-distribution）和未见过的流速范围测试中，PRIMS 持续优于先前最优模型，表明对未训练工况具有强鲁棒性。
产业意义：显式镜像物理关系的架构设计能够学习可迁移、环境无关的表征，提升微流控传感器在实际部署中的可靠性，适用于医疗诊断、化学分析等对流体识别精度和稳定性要求高的场景。

为什么重要

相比已有基于纯数据驱动的微流控流体识别方法，PRIMS 首次系统地将物理关系（如粘度与密度、流速、压力的耦合）直接编码到 Transformer 注意力机制中，既减少了过拟合风险，又增强了模型在分布外环境下的泛化能力。该方法展现了物理引导深度学习在资源受限的边缘设备上的潜力，与当前注重模型规模而忽视物理一致性的趋势形成对比。

局限与不确定性

摘要未提及在含噪声干扰或传感器故障时的表现，实际微流控芯片中可能存在颗粒堵塞、气泡等复杂情况，待核实。
五种流体的具体种类以及不同流体之间的物理差异程度未说明，可能影响结论的普适性，待核实。
模型在更极端工况（如超高温/高压、多相流）下的鲁棒性尚未验证，待核实。

可用于图书/PPT/简报的角度

对工程师：介绍一种轻量、高鲁棒性的片上流体识别解决方案，适用于 IoT 微流控设备。
对研究者：展示物理引导设计与 Transformer 结合的范式，可迁移到其他涉及传感物理关系的多模态任务（如电化学、热流）。
对科普/教材：用“让神经网络理解物理公式”作为案例，说明知识驱动深度学习的优势与设计思路。

原始材料

论文：Hai-Long Nguyen, Trung Thanh Nguyen, Lars Holm, Dennis Alveringh, Duc Viet Le. "PRIMS: Physics-guided Representation for Fluid Identification in Multimodal Sensing." arXiv:2607.22422v1, 2026.
URL: https://arxiv.org/abs/2607.22422v1