神经场热断层：用于非破坏性评估的可微分物理框架
机器学习
2026-05-15 v2 材料科学
人工智能
计算机视觉与模式识别
仪器与探测器
摘要
刚性抛物型偏微分方程（PDE）的逆问题，如逆热传导问题（IHCP），极度病态：正向映射会迅速消耗高频内部结构，使其难以到达边界。软约束的物理感知神经网络（PINN），即将 PDE 作为残差惩罚嵌入其中，因该 regimes 中的梯度病理问题而倾向于拟合边界测量值，同时几乎不受限于内部场。我们提出神经场热断层（NeFTY），一种用于标签无关的三维逆热传导的硬约束神经场框架。NeFTY 将未知扩散系数表示为连续坐标基准的神经网络，并在每个优化步骤中通过可微分隐式 Euler 热求解器传递候选场，使得控制 PDE 在离散化上的精确性优于软惩罚。Adjoint 梯度将表面重建误差反向传播到网络权重，使得在求解器级别的内存成本下，test-time inversion 变得可行，可在单个 GPU 上完成。跨合成 3D 基准测试，NeFTY 在标签无关的体积恢复方面显著优于软约束 PINN 变体和体素网格基线，并在真实热像图数据上超越经典信号处理基线，在缺陷分割和深度估计方面均表现突出。更多细节请参见 https://cab-lab-princeton.github.io/nefty/。
引用
@article{arxiv.2603.11045,
title = {Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation},
author = {Tao Zhong and Yixun Hu and Dongzhe Zheng and Aditya Sood and Christine Allen-Blanchette},
journal= {arXiv preprint arXiv:2603.11045},
year = {2026}
}
备注
37 pages, 19 figures