arXiv 于 2026 年 6 月 4 日发布了一篇题为《Multi-Scale Feature Attention Network for Polymer Classification using THz Dual-Comb Spectroscopy》的新论文（编号 arXiv:2606.06554v1，cs.LG，交叉分类 cs.AI），由 Roshni Mahtani 等六位作者完成，并被 EUSIPCO'26 接收。论文聚焦再生塑料的质量与安全把关问题：可靠的聚合物识别是回收流程中的关键环节，但传统分选方法和常规光谱技术往往难以给出足够稳健的区分能力。作者提出以太赫兹双梳光谱（THz-DCS）作为替代方案，该技术能够提供快速、高分辨率且非破坏性的测量，适合对材料进行无损鉴别。
研究团队利用 THz-DCS 对 12 类聚合物进行分类，覆盖范围包括纯聚合物、多层薄膜、商用共混物以及生物聚合物，这些样品类型在真实回收场景中都具有代表性，同时也带来了光谱信号复杂、类别间差异细微等挑战。为处理这类高维且模式多样的光谱数据，作者设计了多尺度特征注意力网络（MSFAN），一种专为 THz-DCS 数据定制的深度学习架构。该框架的核心设计包含两部分：其一是特征门控机制，用于对信号进行重新校准，抑制噪声与冗余成分；其二是多尺度并行卷积，用于捕捉不同频率尺度上的特征模式，从而兼顾宽泛的光谱轮廓与局部细节。
在初步特征提取之后，MSFAN 进一步通过跨特征注意力与注意力池化对特征进行精炼，使模型能够自动突出最具信息量的太赫兹区域，而无需依赖人工设计的特征选择规则。这种设计不仅提升了判别能力，也使模型的关注点具有一定可解释性，有助于研究者理解分类决策所依据的光谱区间。实验结果显示，MSFAN 在对比中稳定优于现有最先进模型，分类准确率达到 85.2%。
论文指出，该工作展示了将 THz-DCS 与深度学习相结合用于聚合物分类的潜力，其目标是为回收塑料的识别提供一种有效、可扩展且可解释的技术路径。论文提交时间为 2026 年 6 月 4 日 09:42:23 UTC，全文约 599 KB，可通过 arXiv 获取 PDF、实验性 HTML 版本及 TeX 源码，DOI 为 10.48550/arXiv.2606.06554。