據外媒報導，麻省理工學院（MIT）的研究人員通過訓練一個神經網路來預測「沸騰危機」 ，它有可能應用於冷卻電腦晶元和核反應爐。

沸騰不僅僅是為了給晚餐加熱。 它也是用來冷卻東西的。 將液體轉化為氣體可以從熱的表面移除能量，並使從核電站到強大的計算機晶元的一切都不會過熱。 但是當表面變得太熱時，它們可能會經歷所謂的「沸騰危機」。

在「沸騰危機」中，氣泡迅速形成，在它們脫離被加熱的表面之前，它們會粘在一起，形成一個蒸汽層，使表面與上面的冷卻液絕緣。 溫度上升得更快，並可能導致災難的發生。 操作人員希望預測此類故障，而新研究利用高速紅外攝像機和機器學習對這一現象進行了深入研究。

麻省理工學院核科學與工程系Norman C. Rasmussen助理教授Matteo Bucci領導了這項新工作，該研究成果於2021年6月23日發表在《應用物理快報》上。 在之前的研究中，他的團隊花了近五年時間開發了一種機器學習可以簡化相關圖像處理的技術。 在這兩個專案的實驗裝置中，一個2釐米寬的透明加熱器被放置在一個水浴下面。 一台紅外攝像機位於加熱器下方，指向上方，以每秒2500幀的速度記錄，解析度約為0.1毫米。 以前，研究這些視頻的人必須手動計算氣泡並測量它們的特徵，但Bucci訓練了一個神經網路來完成這項工作，將三周的過程縮短到大約五秒鐘。 Bucci說：「然後我們說，『讓我們看看，除了處理數據之外，我們是否真的能從人工智慧中學習到一些東西』。 ”

研究人員的目標是估計水離沸騰危機有多遠。 該系統查看了由圖像處理人工智慧提供的17個因素：「成核位點密度」，以及每一幀視頻，這些地點的平均紅外輻射和關於這些點周圍輻射分佈的其他15個統計數據，包括它們如何隨時間變化。 人工尋找一個能正確權衡所有這些因素的公式將是一個艱巨的挑戰。 但 「人工智慧不受我們大腦的速度或數據處理能力的限制，」 Bucci 說。 此外，「機器學習不受我們對沸騰的先入為主的假設的影響」。

為了收集數據，他們在氧化銦錫的表面上煮水，本身或帶有三種塗層之一：氧化銅納米波、氧化鋅納米線或二氧化矽納米顆粒層。 他們在前三個表面的85%的數據上訓練了一個神經網路，然後在這些條件的15%的數據和第四個表面的數據上對其進行測試，看它對新條件的概括能力如何。 根據一項指標，它的準確率為96%，儘管它沒有在所有的表面上接受過訓練。 “我們的模型不僅僅是在記憶特徵，”Bucci說。 “那是機器學習中的一個典型問題。 我們有能力將預測推斷到不同的表面。 “

該團隊還發現，所有17個因素都對預測準確性做出了重大貢獻（儘管有些因素比其他因素更重要）。 此外，他們沒有把模型當作一個以未知方式使用17個因素的「黑匣子」，而是確定了解釋這一現象的三個中間因素：成核位點密度、氣泡大小（由17個因素中的8個計算），以及生長時間和氣泡離開頻率的乘積（由17個因素中的12個計算）。 Bucci說，文獻中的模型通常只使用一個因素，但這項工作表明，我們需要考慮許多因素，以及它們的相互作用。 “這是件大事。”