“`markdown
南京理工大学团队发布TMTN：单张红外图像0.78秒内重构高精度3D温度场
导语： 在军事侦察、工业制造、能源管理等领域，精准的三维温度场预测至关重要。传统方法计算耗时且依赖大量参数，而南京理工大学的研究团队近日发布了一种名为Thermo-Mesh Transformer Network (TMTN) 的新型AI模型，仅需单张二维红外图像，即可在极短时间内完成高精度三维温度场重构，为相关领域带来了突破性进展。
北京，[当前日期] – 长期以来，复杂场景下的三维温度场精准预测一直是科学界和工程界共同关注的核心挑战。传统数值方法，例如有限元法，虽然能够求解热传导方程，但其计算过程耗时，且需要输入大量的变量参数，这大大限制了其在实际工业应用中的普及。
近日，南京理工大学的研究团队在学术期刊《Engineering Applications of Artificial Intelligence》上发表了一篇题为《Thermo-mesh transformer network for generalizable three-dimensional temperature prediction with mechanism-based representation》的论文，介绍了他们研发的Thermo-Mesh Transformer Network (TMTN)。该模型仅凭一张二维红外图像，便能在短短0.78秒内重构出高精度的三维温度场。更令人瞩目的是，TMTN的误差比目前最优方法降低了38%，即使在未经过训练的模型和超出训练范围的条件下，依然能够保持其强大的鲁棒性。
论文链接：https://www.sciencedirect.com/science/article/abs/pii/S095219762500274X1
现有AI温度场预测模型的挑战
目前，基于人工智能的温度场预测模型主要面临三大难题：
- 复杂物理规律建模困难： 现有的AI模型难以完全捕捉复杂物理现象中的热传导、对流和辐射等细节，尤其是在不同形状和不规则物体的温度预测中，常常无法有效地整合物理规律与机器学习模型。
- 计算效率和扩展性挑战： 传统的AI模型在处理复杂几何体或超出训练范围的情况时，计算效率通常较低且缺乏泛化能力，无法在实际应用中实时预测各种场景的温度场，尤其是在面对极端条件或未训练模型时。
- 物理可解释性不足： 虽然AI模型在预测精度上表现出色，但很多模型缺乏对物理规律的直观理解，难以提供足够的物理可解释性，无法为工程实践中的复杂条件提供足够的决策支持和理论依据。
TMTN：物理机制与数据驱动的融合
TMTN的核心理念在于将热力学方程直接嵌入神经网络架构，实现物理定律的隐式表达与三维语义的深度耦合，开创了“物理机制和数据驱动联合”的全新AI范式。
该网络以目标在某一视角的二维温度图像（蕴含传热相关参数信息）和目标几何外形（形状信息）作为输入，通过多尺度特征提取模块和Mesh-enhanced Transformer Block，预测网格节点的温度值，最终得到三维温度场。
TMTN的核心创新体现在以下三个方面：
-
METB：热传导方程的AI化身
METB模块首次将热传导方程的扩散项与源项解耦为图卷积网络（GCN）与Transformer的双分支结构。GCN分支通过改进的拉普拉斯矩阵（权重与节点距离成反比），模拟相邻节点间的热传导过程，精准捕捉温度梯度驱动的局部热流。Transformer分支利用最远点采样（FPS）和自注意力机制，建模非接触节点的长程辐射热交换，攻克了传统GCN难以处理远距离热辐射的痛点。两者协同工作，如同为神经网络注入“物理灵魂”，使METB在特征流传递中隐式对齐能量守恒方程。实验证明，仅需1-2次METB迭代，即可逼近数值方法的收敛解，堪称“物理定律的AI编译器”。
-
多尺度特征提取：几何与热力语义的深度融合
TMTN通过多尺度编码器，将三维网格的几何特征与二维温度图像的热力学语义深度融合。几何编码基于PointNet++架构提取多分辨率网格特征，精准解析复杂形状的几何细节。图像编码通过卷积网络提取温度图像的全局热力学参数（如辐射强度、对流条件），并将其与每个网格节点特征动态融合。这一设计使得TMTN不仅能“看懂”形状，还能“感知”环境热条件，为跨场景泛化奠定基础。
-
参数高效设计：算力消耗直降50%
针对传统Transformer处理大规模网格时算力爆炸的难题，TMTN创新引入最远点采样（FPS），将15,000节点下采样至2048个特征节点，显存占用大幅降低。结合改进的拉普拉斯矩阵与轻量化GCN，整体计算资源消耗降低近50%，且不影响预测精度。
实验结果与分析
研究团队在五类虚拟坦克模型上构建数据集，涵盖晴天、阴天、高温、低温等多种气象条件。温度预测结果的平均绝对误差（MAE）仅0.648K，相比于其他算法，是唯一一个能够精确预测未参与训练坦克温度场的算法。并且，论文通过变尺度归一化，直接以温度图像的温标上下界作为归一化标准，有效避免数据不平衡、预测结果范围受限问题，使其能够预测超出训练参数取值的算例。
实验结果表明，TMTN能够采用相对简单的计算域，快速生成三维温度场，不仅加快了温度场计算过程，而且降低了计算成本。
结论与展望
南京理工大学团队开发的TMTN模型，通过将物理机制与数据驱动方法相结合，在三维温度场预测领域取得了显著突破。该模型不仅具有高精度和高效率，而且具备良好的泛化能力和鲁棒性，有望在军事侦察、工业制造、能源管理等领域得到广泛应用。
未来，研究团队将进一步优化TMTN模型，探索其在更复杂场景下的应用潜力，并致力于将其推广到更多的实际工程问题中，为相关领域的发展做出更大贡献。
“`
Views: 0