DOI: https://doi.org/10.1038/s41377-026-02190-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41565620
تاريخ النشر: 2026-01-22
المؤلف: Xinghe Jiang وآخرون
الموضوع الرئيسي: تكنولوجيا التيراهيرتز وتطبيقاتها
نظرة عامة
تتناول البحث التحدي الحاسم في الكشف عن المواد الكيميائية والمتفجرات المخفية، مقترحةً حلاً مبتكرًا يجمع بين مطيافية الزمن في نطاق التيراهيرتز (THz-TDS) وتقنيات التعلم العميق. تعتبر THz-TDS مفيدة بسبب طبيعتها غير الغازية وقدرتها على اختراق المواد غير الشفافة دون التسبب في أضرار التأين. ومع ذلك، غالبًا ما تواجه طرق الكشف التقليدية عن التيراهيرتز صعوبات في التطبيقات الواقعية بسبب التغيرات في هندسة العينة والتغليف، مما يمكن أن يؤثر على الاستجابات الطيفية.
في هذه الدراسة، طور المؤلفون نظام تصوير كيميائي يعمل في وضع الانعكاس ويستخدم مصفوفات هوائيات نانوية بلازمونية، محققًا نطاق ديناميكي ذروة يبلغ 96 ديسيبل وعرض نطاق كشف يبلغ 4.5 تيراهيرتز. من خلال استخدام الشبكات العصبية العميقة لتحليل نبضات الزمن الفردية، أظهر النظام مرونة ملحوظة تجاه التغيرات البيئية وعدم الاتساق في العينات. أظهرت الاختبارات العمياء على ثمانية مواد كيميائية، بما في ذلك كل من المكونات الدوائية والمركبات المتفجرة، دقة تصنيف متوسطة مثيرة للإعجاب بلغت 99.42% على مستوى البكسل. علاوة على ذلك، حافظ النظام على دقة متوسطة تبلغ 88.83% عند الكشف عن المتفجرات المخفية تحت ورق غير شفاف، مما يبرز قدراته العامة القوية. تشير هذه النتائج إلى أن دمج مطيافية التيراهيرتز المتقدمة مع التعلم العميق يمكن أن يعزز بشكل كبير حساسية وخصوصية الكشف عن المواد الكيميائية والمتفجرات في السيناريوهات العملية.
مقدمة
تناقش مقدمة ورقة البحث أهمية منطقة التيراهيرتز (THz) من الطيف الكهرومغناطيسي، التي تمتد تردداتها من حوالي 0.1 إلى 10 تيراهيرتز. تعتبر هذه النطاق الطيفي ذا قيمة خاصة بسبب قدرته على التفاعل مع مواد مختلفة دون التسبب في أضرار التأين، مما يجعل مطيافية التيراهيرتز أداة متعددة الاستخدامات في مجالات مثل التشخيص الطبي الحيوي، وفحص الأمن، ومراقبة جودة الأدوية، وفحص الأغذية. تسمح الخصائص الفريدة لإشعاع التيراهيرتز باختراق المواد غير الشفافة بصريًا، مما يسهل الكشف غير الغازي عن التهديدات المخفية، مثل المتفجرات، وهو أمر حاسم لتعزيز السلامة وكفاءة العمليات.
تسلط الورقة الضوء على قيود تقنيات الكشف عن المتفجرات الحالية، مثل تصوير الأشعة السينية وقياس الكتلة، التي غالبًا ما تتطلب قربًا شديدًا من الأهداف أو تفتقر إلى الخصوصية الكيميائية. بالمقابل، تقدم مطيافية الزمن في نطاق التيراهيرتز (THz-TDS) بديلاً واعدًا من خلال التقاط المجالات الكهربائية المحلولة زمنياً، مما يمكّن من توصيف شامل للمواد. يقدم المؤلفون تقدمًا في THz-TDS، بما في ذلك دمج تقنيات التعلم العميق للتعرف على المتفجرات المخفية على مستوى البكسل. يستخدم نظامهم مصفوفات هوائيات نانوية بلازمونية لتعزيز نسب الإشارة إلى الضوضاء وتحقيق نطاق ديناميكي ذروة يبلغ 96 ديسيبل. تظهر النتائج التجريبية قدرة النظام على الكشف عن أنواع كيميائية مختلفة بدقة عالية، مما يبرز إمكانياته في تطبيقات الأمن والإعدادات الصناعية.
طرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. تفصل المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، بالإضافة إلى مصادرها وطرق إعدادها. كما يصف القسم المنهجيات المطبقة لجمع البيانات وتحليلها، مما يضمن إمكانية تكرار النتائج.
بالإضافة إلى ذلك، قد يتضمن معلومات حول التقنيات الإحصائية المستخدمة لتفسير البيانات، مثل تحليل الانحدار أو اختبار الفرضيات، جنبًا إلى جنب مع أي أدوات برمجية تم استخدامها في التحليل. بشكل عام، يعد هذا القسم حاسمًا لفهم الإطار الذي تم فيه إجراء البحث ولتحقيق نتائج الدراسة المقدمة.
نتائج
يصف قسم النتائج تطوير وأداء نظام تصوير مطيافية الزمن في نطاق التيراهيرتز، الذي يستخدم ليزر Ti:sapphire لتوليد نبضات تيراهيرتز دون البيكوسيكند لتحليل مواد صيدلانية ومتفجرة مختلفة. يستخدم النظام مصفوفات هوائيات نانوية بلازمونية لتوليد وكشف التيراهيرتز بكفاءة، محققًا طيف طاقة عريض يصل إلى 4.5 تيراهيرتز مع نطاق ديناميكي ذروة يبلغ 96 ديسيبل. يسهل هذا النطاق الديناميكي العالي الكشف عن انعكاسات تيراهيرتز الضعيفة من عينات معقدة. يقوم نظام التصوير بمسح منطقة 12 × 12 مم²، ويجمع بيانات زمنية يتم معالجتها باستخدام شبكتين عصبيتين، EdgeNet وClassNet، للكشف عن الحواف وتصنيف المواد الكيميائية، على التوالي.
تظهر نتائج التصنيف دقة استثنائية، حيث تصل معدلات تصنيف البكسل إلى 100% لعدة فئات كيميائية، بما في ذلك DCP وMCC وIBU، ومتوسط دقة إجمالية يبلغ 99.42%. كما يظهر النظام قدرات تعميم قوية، حيث يحدد بدقة المواد الكيميائية المخفية تحت أغطية غير شفافة، مع دقة متوسطة تبلغ 88.83% عبر عينات مخفية متنوعة. تؤكد الأداء القوي للشبكات العصبية، خاصة في السيناريوهات الصعبة التي تتضمن عدم انتظام هيكلي وإخفاء، فعالية استراتيجية التصنيف المعتمدة على النبضات المستخدمة في إطار تصوير التيراهيرتز هذا.
مناقشة
في هذه الدراسة، تم تطوير نظام تصوير مطيافية الزمن في نطاق التيراهيرتز المدمج مع نماذج التعلم العميق لتسهيل التصنيف الكيميائي القوي للمواد الصيدلانية والمتفجرة. استخدم النظام طريقة المسح النقطي بحجم خطوة 1 مم، مما يوازن بين سرعة الاكتساب وأداء التصنيف. تم استخدام نهج تحليل قائم على النبضات لتعزيز الكفاءة الحسابية وقوة النموذج، مما يسمح بفصل فعال بين تحديد المواد الكيميائية والمتغيرات الفيزيائية المربكة. حقق الأسلوب دقة تصنيف متوسطة مثيرة للإعجاب بلغت 99.42% عبر ثمانية فئات كيميائية، مما يظهر قدرات تعميم قوية حتى في الظروف الصعبة، مثل المتفجرات المخفية.
سلط البحث الضوء على أهمية تدريب الشبكات العصبية حصريًا على العينات المرئية أثناء الاختبار على الحالات المخفية لتقييم التعميم الخارجي بدقة. على الرغم من أن الدقة العامة ظلت مرتفعة، إلا أن الأداء بالنسبة لنترات البوتاسيوم كان أقل بشكل ملحوظ، مما يشير إلى أن بعض المواد الكيميائية قد تكون أكثر حساسية للتغيرات في الإخفاء. يمكن أن تركز الأعمال المستقبلية على زيادة مجموعة بيانات التدريب مع العينات المخفية واستكشاف التحليل الكمي للخلائط الكيميائية. يحمل النظام المقترح، القادر على التصوير غير المدمر والتحليل الرقمي السريع، إمكانيات كبيرة للتطبيقات في مراقبة جودة الأدوية وفحص الأمن، مما يمهد الطريق للتقدم في تقنيات تصوير المواد الكيميائية المعتمدة على التيراهيرتز.
DOI: https://doi.org/10.1038/s41377-026-02190-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41565620
Publication Date: 2026-01-22
Author(s): Xinghe Jiang et al.
Primary Topic: Terahertz technology and applications
Overview
The research addresses the critical challenge of detecting concealed chemicals and explosives, proposing an innovative solution that combines terahertz time-domain spectroscopy (THz-TDS) with deep learning techniques. THz-TDS is advantageous due to its non-invasive nature and ability to penetrate opaque materials without ionization damage. However, traditional terahertz detection methods often face difficulties in real-world applications due to variations in sample geometry and packaging, which can affect spectral responses.
In this study, the authors developed a chemical imaging system that operates in reflection mode and utilizes plasmonic nanoantenna arrays, achieving a peak dynamic range of 96 dB and a detection bandwidth of 4.5 THz. By employing deep neural networks to analyze individual time-domain pulses, the system demonstrated remarkable resilience to environmental variations and inconsistencies in samples. Blind testing on eight chemicals, including both pharmaceutical excipients and explosive compounds, yielded an impressive average classification accuracy of 99.42% at the pixel level. Furthermore, the system maintained an average accuracy of 88.83% when detecting explosives concealed under opaque paper, underscoring its robust generalization capabilities. These findings suggest that integrating advanced terahertz spectroscopy with deep learning can significantly enhance the sensitivity and specificity of chemical and explosive detection in practical scenarios.
Introduction
The introduction of the research paper discusses the significance of the terahertz (THz) region of the electromagnetic spectrum, which spans frequencies from approximately 0.1 to 10 THz. This spectral range is particularly valuable due to its ability to interact with various materials without causing ionization damage, making terahertz spectroscopy a versatile tool in fields such as biomedical diagnostics, security screening, pharmaceutical quality control, and food inspection. The unique properties of terahertz radiation allow it to penetrate optically opaque materials, facilitating the non-invasive detection of concealed threats, such as explosives, which is critical for enhancing safety and operational efficiency.
The paper highlights the limitations of existing explosive detection technologies, such as X-ray imaging and mass spectrometry, which often require close proximity to targets or lack chemical specificity. In contrast, terahertz time-domain spectroscopy (THz-TDS) offers a promising alternative by capturing time-resolved electric fields, enabling comprehensive material characterization. The authors present advancements in THz-TDS, including the integration of deep learning techniques for pixel-level identification of hidden explosives. Their developed system utilizes plasmonic nanoantenna arrays to enhance signal-to-noise ratios and achieve a peak dynamic range of 96 dB. Experimental results demonstrate the system’s capability to detect various chemical species with high accuracy, showcasing its potential applications in security and industrial settings.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as their sources and preparation methods. The section also describes the methodologies applied for data collection and analysis, ensuring reproducibility of the results.
Additionally, it may include information on the statistical techniques utilized to interpret the data, such as regression analysis or hypothesis testing, along with any software tools employed in the analysis. Overall, this section is crucial for understanding the framework within which the research was conducted and for validating the findings presented in the study.
Results
The results section describes the development and performance of a terahertz time-domain spectroscopic imaging system, which utilizes a Ti:sapphire laser to generate subpicosecond terahertz pulses for the analysis of various pharmaceutical and explosive materials. The system employs plasmonic nanoantenna arrays for efficient terahertz generation and detection, achieving a broadband power spectrum up to 4.5 THz with a peak dynamic range of 96 dB. This high dynamic range facilitates the detection of weak terahertz reflections from complex samples. The imaging system scans a 12 × 12 mm² area, acquiring time-domain data that is processed using two neural networks, EdgeNet and ClassNet, for edge detection and chemical classification, respectively.
The classification results demonstrate exceptional accuracy, with pixel-level classification rates reaching up to 100% for several chemical classes, including DCP, MCC, and IBU, and an overall average accuracy of 99.42%. The system also exhibits strong generalization capabilities, accurately identifying concealed chemicals beneath opaque covers, with average accuracies of 88.83% across various hidden samples. The robust performance of the neural networks, particularly in challenging scenarios involving structural irregularities and concealment, underscores the effectiveness of the pulse-based classification strategy employed in this terahertz imaging framework.
Discussion
In this study, a terahertz time-domain spectroscopic imaging system integrated with deep learning models was developed to facilitate the robust chemical classification of pharmaceutical and explosive materials. The system employed a raster scanning method with a 1 mm step size, balancing acquisition speed and classification performance. A pulse-based analysis approach was utilized to enhance computational efficiency and model robustness, allowing for the effective decoupling of chemical identification from confounding physical variables. The method achieved an impressive average classification accuracy of 99.42% across eight chemical classes, demonstrating strong generalization capabilities even under challenging conditions, such as concealed explosives.
The research highlighted the importance of training neural networks exclusively on visible samples while testing on concealed cases to rigorously evaluate external generalization. Although the overall accuracy remained high, the performance for potassium nitrate was notably lower, indicating that certain chemicals may be more sensitive to variations in concealment. Future work could focus on augmenting the training dataset with concealed samples and exploring quantitative analysis of chemical mixtures. The proposed system, capable of non-destructive imaging and rapid digital analysis, holds significant potential for applications in pharmaceutical quality control and security screening, paving the way for advancements in terahertz-based chemical imaging technologies.