ニューラルフィールド熱トモグラフィ：非破壊評価のための微分可能物理フレームワーク

要旨

我々は、Neural Field Thermal Tomography (NeFTY) を提案する。これは、過渡的な表面温度測定から材料特性を定量的に3D再構築するための微分可能物理フレームワークである。従来のサーモグラフィが側方拡散を無視した画素単位の1次元近似に依存し、ソフト制約のPhysics-Informed Neural Networks (PINNs) が勾配の硬さのために過渡拡散問題でしばしば失敗するのに対し、NeFTYは、厳密な数値ソルバーを通じて最適化される連続神経場として3D拡散率場をパラメータ化する。微分可能物理ソルバーを活用することで、本手法は熱力学法則をハード制約として強制しつつ、高解像度3Dトモグラフィに必要なメモリ効率を維持する。我々の「離散化してから最適化する」パラダイムは、逆熱伝導に内在するスペクトルバイアスと不適切性を効果的に緩和し、任意のスケールでの内部欠陥の回復を可能にする。合成データによる実験的検証により、NeFTYがベースライン手法と比較して内部欠陥位置特定の精度を大幅に改善することを示す。詳細は https://cab-lab-princeton.github.io/nefty/ を参照。

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/

ニューラルフィールド熱トモグラフィ：非破壊評価のための微分可能物理フレームワーク

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

要旨

Support