신경장 열 단층촬영: 비파괴 평가를 위한 미분 가능 물리 프레임워크

초록

우리는 신경망 열층화 단층촬영(NeFTY)을 제안합니다. 이는 과도 표면 온도 측정으로부터 재료 특성을 정량적으로 3차원 복원하는 미분 가능 물리 프레임워크입니다. 기존 열화상 기술이 측면 확산을 무시하는 픽셀 단위 1차원 근사에 의존하고, 연성 제약 물리 정보 신경망(PINN)은 경도가 높은 기울기로 인해 과도 확산 시나리오에서 종종 실패하는 반면, NeFTY는 엄격한 수치 해석기를 통해 최적화된 연속 신경망 장으로 3차원 확산계수 장을 매개변수화합니다. 미분 가능 물리 해석기를 활용함으로써 우리의 접근법은 열역학 법칙을 강성 제약으로 적용하면서도 고해상도 3차원 단층촬영에 필요한 메모리 효율성을 유지합니다. 우리의 '이산화 후 최적화' 패러다임은 역열전도 문제에 내재된 스펙트럼 편향과 불안정성을 효과적으로 완화하여 임의 규모의 내부 결함 복원을 가능하게 합니다. 합성 데이터에 대한 실험 검증 결과, NeFTY가 기준 방법 대비 내부 결함 위치 추정 정확도를 크게 향상시킴을 확인했습니다. 자세한 내용은 https://cab-lab-princeton.github.io/nefty/에서 확인할 수 있습니다.

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/

신경장 열 단층촬영: 비파괴 평가를 위한 미분 가능 물리 프레임워크

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

초록

Support