Tomografia Térmica por Campo Neural: Uma Estrutura de Física Diferenciável para Avaliação Não Destrutiva
Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation
March 11, 2026
Autores: Tao Zhong, Yixun Hu, Dongzhe Zheng, Aditya Sood, Christine Allen-Blanchette
cs.AI
Resumo
Propomos a Tomografia Térmica por Campo Neural (NeFTY), uma estrutura de física diferenciável para a reconstrução quantitativa 3D de propriedades dos materiais a partir de medições transitórias de temperatura superficial. Enquanto a termografia tradicional se baseia em aproximações 1D por pixel que negligenciam a difusão lateral, e as Redes Neurais com Informação Física (PINNs) de restrição branda frequentemente falham em cenários de difusão transitória devido à rigidez do gradiente, o NeFTY parametriza o campo de difusividade 3D como um campo neural contínuo otimizado por meio de um solucionador numérico rigoroso. Ao aproveitar um solucionador de física diferenciável, nossa abordagem impõe as leis termodinâmicas como restrições rígidas, mantendo a eficiência de memória necessária para a tomografia 3D de alta resolução. Nosso paradigma de discretizar-depois-otimizar mitiga efetivamente o viés espectral e a natureza malposta inerentes à condução inversa de calor, permitindo a recuperação de defeitos subsuperficiais em escalas arbitrárias. A validação experimental com dados sintéticos demonstra que o NeFTY melhora significativamente a precisão da localização de defeitos subsuperficiais em comparação com as linhas de base. Mais detalhes em 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/