在工業檢測領域，工程師們一直渴望擁有一雙能“透視”材料內部的眼睛。當醫生用X光檢查人體骨折時，工業界卻面臨更復雜的挑戰——飛機零件、建筑材料和汽車部件等工業材料，無法像人體那樣直接用X光透視。如今，普林斯頓大學研究團隊開發的NeFTY技術，為這一難題提供了突破性解決方案。這項名為“神經場熱層析成像”的新技術，通過分析材料表面溫度變化，能精確重建內部三維結構，甚至定位微小缺陷。
傳統熱成像技術雖能通過激光脈沖加熱材料表面，并用紅外儀觀察熱量傳播，但缺陷檢測能力有限。熱量在材料內部傳播時，若遇到氣泡或裂縫會改變路徑，但傳統方法只能捕捉表面溫度變化，難以準確推斷內部缺陷的具體位置、大小和形狀。普林斯頓大學團隊將神經場技術與可微分物理仿真結合，開發出NeFTY系統，使熱成像檢測從“盲人摸象”升級為“精準解剖”。
神經場技術是NeFTY的核心創新之一。傳統方法需將材料分割成無數小格子存儲信息，數據量隨精度提升呈幾何級數增長。而神經場技術通過訓練人工神經網絡，直接“記憶”材料內部每個點的特性，無需固定網格。這種方法不僅節省存儲空間，還能捕捉極細微的缺陷。例如，研究團隊采用位置編碼技術，將三維坐標轉換為多頻率正弦函數值，使神經網絡能同時關注整體結構和精細細節。頻率退火策略則讓訓練過程從整體到局部逐步深入，避免過早陷入噪聲干擾。
可微分物理仿真器是NeFTY的另一大支柱。它基于熱傳導方程，精確模擬熱量在材料內部的傳播過程。研究團隊采用有限差分法處理空間離散化，隱式歐拉方法處理時間演化，確保計算穩定性。針對材料界面處的傳熱難題，團隊使用調和平均方法替代傳統算術平均，避免熱量“泄露”到缺陷中。這一創新使仿真結果更符合物理規律，尤其在處理尖銳邊界缺陷時表現優異。
優化過程中，標準反向傳播方法因需存儲大量中間結果，導致內存瓶頸。NeFTY系統采用伴隨梯度方法，通過求解“伴隨”方程計算梯度，將內存使用量降低近850倍，計算時間縮短約2.3倍。這一突破使高分辨率三維熱層析成像在普通GPU上成為可能。
在性能驗證中，NeFTY展現了顯著優勢。研究團隊使用獨立物理仿真引擎生成1000個測試樣本，涵蓋均勻材料和層狀復合材料，缺陷形狀包括橢球、圓柱體和長方體。對比實驗顯示，NeFTY在均勻材料中的重建誤差比最佳無監督基準方法降低5-6倍，缺陷檢測精度提升10倍以上；在層狀復合材料中，優勢更達一個數量級。傳統物理信息神經網絡（PINN）因梯度消失問題幾乎失效，而NeFTY的硬約束方法完全避免了這一缺陷。
NeFTY的應用潛力廣泛。在航空航天領域，它可檢測機翼層間分離或復合材料纖維斷裂；在汽車工業中，能識別發動機微裂紋或焊接接頭缺陷；在建筑行業，可評估橋梁、大壩的結構完整性。與傳統方法相比，NeFTY不僅提供定性判斷，還能量化缺陷參數，為工程決策提供關鍵依據。例如，復合材料檢測中，傳統方法常混淆正常層間界面與真實缺陷，而NeFTY通過完整物理建模，能準確區分兩者。
盡管NeFTY已取得突破，但仍面臨挑戰。當前實現將缺陷與正常材料的熱傳導性差異限制在20:1范圍內，而真實空氣缺陷與固體的差異可能達1000:1，這可能影響極端情況的處理能力。計算時間約需10分鐘，限制了其在高通量生產線上的應用。研究團隊正探索元學習、多尺度求解等策略，以進一步提升效率并適應真實世界中的復雜條件。
