Neuronale Feld-Thermotomographie: Ein differenzierbares Physik-Framework für die zerstörungsfreie Prüfung
Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation
March 11, 2026
Autoren: Tao Zhong, Yixun Hu, Dongzhe Zheng, Aditya Sood, Christine Allen-Blanchette
cs.AI
Zusammenfassung
Wir schlagen Neural Field Thermal Tomography (NeFTY) vor, ein differenzierbares Physik-Framework für die quantitative 3D-Rekonstruktion von Materialeigenschaften aus transienten Oberflächentemperaturmessungen. Während sich die traditionelle Thermografie auf pixelweise 1D-Approximationen stützt, die die laterale Diffusion vernachlässigen, und weich-constrainte Physics-Informed Neural Networks (PINNs) in transienten Diffusionsszenarien oft aufgrund von Gradientensteifheit versagen, parametrisiert NeFTY das 3D-Diffusivitätsfeld als ein kontinuierliches neuronales Feld, das durch einen rigorosen numerischen Löser optimiert wird. Durch die Nutzung eines differenzierbaren Physik-Solvers erzwingt unser Ansatz die thermodynamischen Gesetze als harte Constraints bei gleichzeitiger Wahrung der Speichereffizienz, die für hochauflösende 3D-Tomographie erforderlich ist. Unser Paradigma "zuerst diskretisieren, dann optimieren" mildert effektiv die spektrale Verzerrung und schlechte Konditionierung, die dem inversen Wärmeleitproblem inhärent sind, und ermöglicht die Erkennung von Untergrunddefekten in beliebigen Größenordnungen. Die experimentelle Validierung an synthetischen Daten zeigt, dass NeFTY die Genauigkeit der Lokalisierung von Untergrunddefekten im Vergleich zu Baseline-Methoden signifikant verbessert. Weitere Details unter https://cab-lab-princeton.github.io/nefty/
English
We propose Neural Field Thermal Tomography (NeFTY), a differentiable physics framework for the quantitative 3D reconstruction of material properties from transient surface temperature measurements. While traditional thermography relies on pixel-wise 1D approximations that neglect lateral diffusion, and soft-constrained Physics-Informed Neural Networks (PINNs) often fail in transient diffusion scenarios due to gradient stiffness, NeFTY parameterizes the 3D diffusivity field as a continuous neural field optimized through a rigorous numerical solver. By leveraging a differentiable physics solver, our approach enforces thermodynamic laws as hard constraints while maintaining the memory efficiency required for high-resolution 3D tomography. Our discretize-then-optimize paradigm effectively mitigates the spectral bias and ill-posedness inherent in inverse heat conduction, enabling the recovery of subsurface defects at arbitrary scales. Experimental validation on synthetic data demonstrates that NeFTY significantly improves the accuracy of subsurface defect localization over baselines. Additional details at https://cab-lab-princeton.github.io/nefty/