Tomographie Thermique par Champ Neuronal : Un Cadre de Physique Différentiable pour l'Évaluation Non Destructive

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

March 11, 2026

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

cs.AI

Résumé

Nous proposons Neural Field Thermal Tomography (NeFTY), un cadre de physique différentiable pour la reconstruction quantitative 3D des propriétés des matériaux à partir de mesures thermiques transitoires de surface. Alors que la thermographie traditionnelle repose sur des approximations 1D par pixel qui négligent la diffusion latérale, et que les réseaux de neurones à contraintes physiques (PINNs) échouent souvent dans les scénarios de diffusion transitoire en raison de la raideur des gradients, NeFTY paramétrise le champ de diffusivité 3D comme un champ neuronal continu optimisé via un solveur numérique rigoureux. En tirant parti d'un solveur de physique différentiable, notre approche impose les lois de la thermodynamique comme des contraintes fortes tout en conservant l'efficacité mémoire nécessaire pour la tomographie 3D haute résolution. Notre paradigme de discrétisation puis d'optimisation atténue efficacement le biais spectral et le caractère mal posé inhérents au problème inverse de conduction thermique, permettant la détection de défauts sous-surface à des échelles arbitraires. La validation expérimentale sur des données synthétiques démontre que NeFTY améliore significativement la précision de la localisation des défauts sous-surface par rapport aux méthodes de référence. Détails supplémentaires sur 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/