Neuraal Veld Thermische Tomografie: Een Differentieerbaar Fysica Raamwerk voor Niet-Destructief Onderzoek

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

Samenvatting

Wij presenteren Neural Field Thermal Tomography (NeFTY), een differentieerbaar fysica-raamwerk voor de kwantitatieve 3D-reconstructie van materiaaleigenschappen uit tijdsafhankelijke oppervlaktetemperatuurmetingen. Terwijl traditionele thermografie berust op pixelgewijze 1D-benaderingen die laterale diffusie verwaarlozen, en zacht-geforceerde Physics-Informed Neural Networks (PINNs) vaak falen in tijdsafhankelijke diffusiescenario's door stijve gradiënten, parametriseert NeFTY het 3D-diffusiviteitsveld als een continu neuraal veld dat geoptimaliseerd wordt via een rigoureuze numerieke solver. Door gebruik te maken van een differentieerbare fysica-solver, handhaaft onze aanpak thermodynamische wetten als harde constraints terwijl de geheugenefficiëntie die nodig is voor hoogwaardige 3D-tomografie behouden blijft. Ons *discretize-then-optimize* paradigma vermindert effectief de spectrale bias en slechte gesteldheid die inherent zijn aan inverse warmtegeleiding, waardoor het herstel van ondergrondse defecten op willekeurige schalen mogelijk wordt. Experimentele validatie op synthetische data toont aan dat NeFTY de nauwkeurigheid van de lokalisatie van ondergrondse defecten aanzienlijk verbetert ten opzichte van referentiemethoden. Aanvullende details zijn te vinden op 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/