Physics-Informed Neural Networks for Boiling Flow Reconstruction: Resolving Microlayer Dynamics

Projektbeschreibung

Physikgestützte KI kühlt Hochleistungselektronik

KI-Hardware der nächsten Generation steht vor einer gravierenden thermischen Krise: Die Wärmestromdichten übersteigen 1 kW/cm², und Überhitzung ist für über 55 % der Elektronikausfälle verantwortlich. Zweiphasen-Immersionskühlung bietet durch Wärmeübertragung mittels Verdampfung eine vielversprechende Lösung, doch ihr dominierender lokaler Mechanismus (Mikroschichtverdampfung) ist aufgrund von Größenordnungen im Submikrometerbereich und kurzen Zeitskalen bisher kaum erforscht. Mit den derzeit verfügbaren experimentellen Verfahren können keine steilen Temperaturgradienten aufgelöst oder verborgene Druckfelder gemessen werden, insbesondere in Umgebungen mit hochdichten Blasen, in denen die optischen Pfade versperrt sind. Mit Unterstützung der Marie-Skłodowska-Curie-Maßnahmen wird das Team des Projekts MICRO-PINN ein physikalisch fundiertes Rahmenwerk für neuronale Netze entwickeln. Dieses Rahmenwerk ist dazu vorgesehen, aus spärlichen experimentellen Daten vollständige 4D-Geschwindigkeits-, Druck- und Temperaturfelder zu rekonstruieren und auf diese Weise das Verständnis sowie die Optimierung von Elektronik-Kühltechnologien der nächsten Generation voranzubringen.

Ziel

The relentless miniaturisation of transistors and the shift towards 3D integrated circuits have created an unprecedented thermal management crisis. Heat fluxes in next-generation AI hardware and data centres exceed 1kW/cm², with over 55% of electronics failures attributed to overheating. Two-phase immersion cooling, where components are submerged in dielectric fluids to exploit boiling heat transfer, emerges as the most promising solution, achieving heat transfer coefficients up to 100 kW/m²·K, three orders of magnitude higher than air cooling. This proposal aims to fundamentally investigate the intricate transport phenomena governing boiling, with a particular focus on microlayer evaporation beneath the bubbles, a local mechanism that can dominate interfacial heat flux but whose quantitative role remains uncertain because it occurs at sub-micrometre length scales and evolves on short timescales. Advanced experimental techniques have enabled simultaneous measurement of temperature, velocity, and heat flux distributions during bubble nucleation. However, the spatial resolution of current systems is insufficient to capture steep temperature gradients at the bubble interface, and are fundamentally limited to single-bubble or low bubble density studies due to optical path obstruction by multiple growing bubbles. The pressure field governing interfacial forces cannot be measured directly from the experiments. This leaves critical physical quantities “hidden” to experiment. The MICRO-PINN project will develop a Physics-Informed Neural Network framework that reconstructs complete 4-dimensional velocity, pressure, and temperature fields from sparse experimental data. The goal is to generate new physical insights and engineering guidelines for the design and optimisation of next-generation immersion cooling systems. This project will contribute to SDG-7 (Affordable and Clean Energy), SDG-9 (Industry, Innovation, and Infrastructure), and SDG-13 (Climate Action).