
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于合成数据训练的物理信息深度学习用于太赫兹时域成像反射模式定量反演
《Scientific Reports》:Synthetic-data-trained deep learning enables quantitative terahertz metrology in pharmaceutical coatings
【字体: 大 中 小 】 时间:2026年09月22日 来源:Scientific Reports 4.9
编辑推荐:
摘要太赫兹时域成像为无损探测涂层材料中的埋藏层提供了手段,然而反射模式测量的定量反演仍然具有挑战性,这是因为波形解释的病态本质以及实验标注训练数据的匮乏。本文报道了一种物理信息驱动的深度学习框架,该框架仅使用由电磁多层模型生成的合成太赫兹波形进行训练。通过引入领域随机化来模拟
太赫兹时域成像为无损探测涂层材料中的埋藏层提供了手段,然而反射模式测量的定量反演仍然具有挑战性,这是因为波形解释的病态本质以及实验标注训练数据的匮乏。本文报道了一种物理信息驱动的深度学习框架,该框架仅使用由电磁多层模型生成的合成太赫兹波形进行训练。通过引入领域随机化来模拟真实的实验变异性,并结合物理引导的涂层特性参数化,该模型可以直接从仿真迁移到实验反射模式测量,无需标注数据或事后校准。以药物薄膜涂层为代表性体系,我们从测得的太赫兹波形中定量恢复了光学厚度和折射率,合成数据验证表明在完整参数范围内均能准确恢复,包括传统寻峰方法因时间峰分离丢失而失效的薄涂层区域。该框架可推广到独立制造的批次以及不同日期采集的测量数据。这些结果展示了一条通往无标注定量太赫兹测量的可扩展路径,并凸显了合成数据训练的物理信息学习在处理受实验约束的反问题方面的潜力。