Tomografia Termica a Campo Neurale: Un Framework di Fisica Differenziabile per la Valutazione Non Distruttiva
Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation
March 11, 2026
Autori: Tao Zhong, Yixun Hu, Dongzhe Zheng, Aditya Sood, Christine Allen-Blanchette
cs.AI
Abstract
Proponiamo Neural Field Thermal Tomography (NeFTY), un framework di fisica differenziabile per la ricostruzione quantitativa 3D delle proprietà dei materiali a partire da misurazioni transitorie della temperatura superficiale. Mentre la termografia tradizionale si basa su approssimazioni 1D per pixel che trascurano la diffusione laterale, e le Physics-Informed Neural Networks (PINN) a vincoli soft spesso falliscono in scenari di diffusione transitoria a causa della rigidità del gradiente, NeFTY parametrizza il campo di diffusività 3D come un campo neurale continuo ottimizzato attraverso un solutore numerico rigoroso. Sfruttando un solutore di fisica differenziabile, il nostro approccio applica le leggi della termodinamica come vincoli rigidi, mantenendo al contempo l'efficienza di memoria necessaria per la tomografia 3D ad alta risoluzione. Il nostro paradigma "discretizza-poi-ottimizza" mitiga efficacemente il bias spettrale e l'ill-posedness intrinseci nella conduzione inversa del calore, consentendo l'identificazione di difetti sottosuperficiali a scale arbitrarie. La validazione sperimentale su dati sintetici dimostra che NeFTY migliora significativamente l'accuratezza della localizzazione dei difetti sottosuperficiali rispetto ai metodi baseline. Ulteriori dettagli sono disponibili all'indirizzo 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/