在工业检测领域，工程师们一直渴望拥有一双能“透视”材料内部的眼睛。当医生用X光检查人体骨折时，工业界却面临更复杂的挑战——飞机零件、建筑材料和汽车部件等工业材料，无法像人体那样直接用X光透视。如今，普林斯顿大学研究团队开发的NeFTY技术，为这一难题提供了突破性解决方案。这项名为“神经场热层析成像”的新技术，通过分析材料表面温度变化，能精确重建内部三维结构，甚至定位微小缺陷。
传统热成像技术虽能通过激光脉冲加热材料表面，并用红外仪观察热量传播，但缺陷检测能力有限。热量在材料内部传播时，若遇到气泡或裂缝会改变路径，但传统方法只能捕捉表面温度变化，难以准确推断内部缺陷的具体位置、大小和形状。普林斯顿大学团队将神经场技术与可微分物理仿真结合，开发出NeFTY系统，使热成像检测从“盲人摸象”升级为“精准解剖”。
神经场技术是NeFTY的核心创新之一。传统方法需将材料分割成无数小格子存储信息，数据量随精度提升呈几何级数增长。而神经场技术通过训练人工神经网络，直接“记忆”材料内部每个点的特性，无需固定网格。这种方法不仅节省存储空间，还能捕捉极细微的缺陷。例如，研究团队采用位置编码技术，将三维坐标转换为多频率正弦函数值，使神经网络能同时关注整体结构和精细细节。频率退火策略则让训练过程从整体到局部逐步深入，避免过早陷入噪声干扰。
可微分物理仿真器是NeFTY的另一大支柱。它基于热传导方程，精确模拟热量在材料内部的传播过程。研究团队采用有限差分法处理空间离散化，隐式欧拉方法处理时间演化，确保计算稳定性。针对材料界面处的传热难题，团队使用调和平均方法替代传统算术平均，避免热量“泄露”到缺陷中。这一创新使仿真结果更符合物理规律，尤其在处理尖锐边界缺陷时表现优异。
优化过程中，标准反向传播方法因需存储大量中间结果，导致内存瓶颈。NeFTY系统采用伴随梯度方法，通过求解“伴随”方程计算梯度，将内存使用量降低近850倍，计算时间缩短约2.3倍。这一突破使高分辨率三维热层析成像在普通GPU上成为可能。
在性能验证中，NeFTY展现了显著优势。研究团队使用独立物理仿真引擎生成1000个测试样本，涵盖均匀材料和层状复合材料，缺陷形状包括椭球、圆柱体和长方体。对比实验显示，NeFTY在均匀材料中的重建误差比最佳无监督基准方法降低5-6倍，缺陷检测精度提升10倍以上；在层状复合材料中，优势更达一个数量级。传统物理信息神经网络（PINN）因梯度消失问题几乎失效，而NeFTY的硬约束方法完全避免了这一缺陷。
NeFTY的应用潜力广泛。在航空航天领域，它可检测机翼层间分离或复合材料纤维断裂；在汽车工业中，能识别发动机微裂纹或焊接接头缺陷；在建筑行业，可评估桥梁、大坝的结构完整性。与传统方法相比，NeFTY不仅提供定性判断，还能量化缺陷参数，为工程决策提供关键依据。例如，复合材料检测中，传统方法常混淆正常层间界面与真实缺陷，而NeFTY通过完整物理建模，能准确区分两者。
尽管NeFTY已取得突破，但仍面临挑战。当前实现将缺陷与正常材料的热传导性差异限制在20:1范围内，而真实空气缺陷与固体的差异可能达1000:1，这可能影响极端情况的处理能力。计算时间约需10分钟，限制了其在高通量生产线上的应用。研究团队正探索元学习、多尺度求解等策略，以进一步提升效率并适应真实世界中的复杂条件。
