Нейронная полевая тепловая томография: дифференцируемый физический фреймворк для неразрушающего контроля

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

March 11, 2026

Авторы: Tao Zhong, Yixun Hu, Dongzhe Zheng, Aditya Sood, Christine Allen-Blanchette

cs.AI

Аннотация

Мы предлагаем метод нейронной полевой термотомографии (NeFTY) — дифференцируемую физическую структуру для количественного 3D-восстановления материальных свойств по данным измерений нестационарной температуры на поверхности. В то время как традиционная термография опирается на покомпонентные одномерные приближения, пренебрегающие латеральной диффузией, а мягко ограниченные нейронные сети с физической информированностью (PINN) часто не справляются в сценариях нестационарной диффузии из-за жесткости градиентов, NeFTY параметризует 3D-поле диффузии как непрерывное нейронное поле, оптимизируемое с помощью строгого численного решателя. Используя дифференцируемый физический решатель, наш подход обеспечивает выполнение законов термодинамики как жестких ограничений, сохраняя при этом эффективность использования памяти, необходимую для высокоразрешающей 3D-томографии. Наша парадигма «дискретизировать, затем оптимизировать» эффективно смягчает спектральное смещение и некорректность, присущие обратной задаче теплопроводности, позволяя восстанавливать подповерхностные дефекты произвольного масштаба. Экспериментальная проверка на синтетических данных демонстрирует, что NeFTY существенно повышает точность локализации подповерхностных дефектов по сравнению с базовыми методами. Дополнительные детали доступны по адресу 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/