基于深度神经网络的加速器中子源脉冲形状鉴别技术研究

本研究针对中子探测中γ光子干扰的难题，创新性地将改进版GoogLeNet卷积神经网络(CNN)应用于脉冲形状鉴别(PSD)。研究人员通过优化光电倍增管(PMT)偏压(1500 V最佳)和迁移学习技术，实现了对DD、DT、(α,n)及自发裂变中子源的多场景适配，在1E-6误报率下达成12.5%的252Cf中子本征探测效率，突破传统尾总比法在30 keVee低能区的鉴别瓶颈。

　　

在核物理与辐射探测领域，中子与γ光子的高效区分始终是困扰研究人员的"幽灵难题"。传统脉冲形状鉴别(PSD)方法如尾总比法，虽能通过闪烁体信号的时间特性差异进行区分，但在低能区（特别是<100 keVee）时，由于中子与γ光子信号重叠严重，其鉴别能力断崖式下降。更棘手的是，不同中子源（DD聚变源、DT聚变源、(α,n)反应源、²⁵²Cf自发裂变源）产生的中子能谱差异显著，导致单一模型难以通用。

为攻克这些难题，来自加拿大麦克马斯特大学、美国劳伦斯伯克利国家实验室(LBNL)等机构的研究团队在《Applied Radiation and Isotopes》发表重要成果。该研究将计算机视觉领域的"明星算法"GoogLeNet进行一维化改造，构建出适用于辐射脉冲分析的深度神经网络框架NeutralNet。通过系统优化PMT偏压电压（发现1500V最佳工作点）、创新性引入迁移学习策略，成功实现多中子源场景下的高精度PSD，甚至能在传统方法失效的30 keVee能区实现鉴别，为加速器中子源应用提供全新解决方案。

关键技术方法包括：1）采用EJ-301/EJ-309液体闪烁体与CAEN/XIA数字化仪采集多中子源波形数据；2）通过双高斯拟合实现99.9%纯度的训练集构建；3）改进GoogLeNet架构（缩减为3个Inception模块并一维化）；4）基于接收者操作特征(ROC)曲线量化性能；5）应用迁移学习解决跨源泛化问题。

【PMT偏压优化】研究发现PMT偏压显著影响鉴别性能：1500V时真阳性率(TPR)达81%（1E-6误报率），1550V时因信号饱和导致性能骤降50%。通过定义品质因数FoM=Δμ/(FWHM_n+FWHM_γ)，证实1500V时传统PSD分离度最佳，与CNN性能峰值吻合。

【跨源迁移难题】直接应用单一源训练模型时，DT源数据（使用EJ-309闪烁体）分类性能异常低下（TPR≈0%），而²⁵²Cf源模型在DD源数据上TPR达90.9%。通过冻结底层参数仅微调全连接层的迁移学习策略，使DT源模型在其他源数据上的TPR提升至34±3%，证明中子能谱差异是主要干扰因素。

【能量依赖性】能量分辨分析揭示：基于DT源训练的模型对>1200 keVee事件敏感（TPR≈60%），而²⁵²Cf源模型擅长低能区（<1000 keVee TPR≈80%）。通过卷积神经网络捕捉到传统PSD参数未能提取的时域特征，使得在30 keVee能区仍保持鉴别能力。

【实际应用验证】在²⁵²Cf屏蔽实验中，1英寸高密度聚乙烯使中子分类率下降40%，而1/4英寸铅屏蔽因抑制γ本底使效率提升2倍。通过分析被分类为中子的信号发现，即使在与γ群重叠的能区（传统PSD无法区分），CNN仍能有效提取中子特征，且误分类率严格受控于预设的1E-6误报率。

该研究突破性地证明深度神经网络可克服传统PSD的三大局限：低能区失效、跨源性能波动、高纯度训练集依赖。特别值得注意的是，通过迁移学习实现的12.5%本征效率（²⁵²Cf源）已接近实用化门槛。未来通过融合CNN与尾总比法的混合架构，有望在核安保、医学中子成像等领域带来变革。研究还揭示中子能谱差异是影响模型泛化的关键因素，这为后续发展自适应能谱补偿算法指明方向。