Tomografía Térmica por Campos Neuronales: Un Marco de Física Diferenciable para Evaluación No Destructiva

Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation

March 11, 2026

Autores: Tao Zhong, Yixun Hu, Dongzhe Zheng, Aditya Sood, Christine Allen-Blanchette

cs.AI

Resumen

Proponemos Neural Field Thermal Tomography (NeFTY), un marco de física diferenciable para la reconstrucción cuantitativa 3D de propiedades materiales a partir de mediciones transitorias de temperatura superficial. Mientras que la termografía tradicional se basa en aproximaciones unidimensionales píxel a píxel que desprecian la difusión lateral, y las Redes Neuronales Informadas por Física (PINNs) de restricciones blandas a menudo fallan en escenarios de difusión transitoria debido a la rigidez del gradiente, NeFTY parametriza el campo de difusividad 3D como un campo neuronal continuo optimizado mediante un solucionador numérico riguroso. Al aprovechar un solucionador de física diferenciable, nuestro enfoque impone las leyes termodinámicas como restricciones duras mientras mantiene la eficiencia de memoria necesaria para la tomografía 3D de alta resolución. Nuestro paradigma de discretizar-y-luego-optimizar mitiga eficazmente el sesgo espectral y el mal planteamiento inherentes a la conducción inversa del calor, permitiendo la recuperación de defectos subsuperficiales a escalas arbitrarias. La validación experimental con datos sintéticos demuestra que NeFTY mejora significativamente la precisión en la localización de defectos subsuperficiales en comparación con los métodos de referencia. Detalles adicionales en 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/