在核物理與輻射探測領域，中子與γ光子的高效區分始終是困擾研究人員的"幽靈難題"。傳統脈沖形狀鑒別(PSD)方法如尾總比法，雖能通過閃爍體信號的時間特性差異進行區分，但在低能區（特別是<100 keVee）時，由于中子與γ光子信號重疊嚴重，其鑒別能力斷崖式下降。更棘手的是，不同中子源（DD聚變源、DT聚變源、(α,n)反應源、²⁵²Cf自發裂變源）產生的中子能譜差異顯著，導致單一模型難以通用。

為攻克這些難題，來自加拿大麥克馬斯特大學、美國勞倫斯伯克利國家實驗室(LBNL)等機構的研究團隊在《Applied Radiation and Isotopes》發表重要成果。該研究將計算機視覺領域的"明星算法"GoogLeNet進行一維化改造，構建出適用于輻射脈沖分析的深度神經網絡框架NeutralNet。通過系統優化PMT偏壓電壓（發現1500V最佳工作點）、創新性引入遷移學習策略，成功實現多中子源場景下的高精度PSD，甚至能在傳統方法失效的30 keVee能區實現鑒別，為加速器中子源應用提供全新解決方案。

關鍵技術方法包括：1）采用EJ-301/EJ-309液體閃爍體與CAEN/XIA數字化儀采集多中子源波形數據；2）通過雙高斯擬合實現99.9%純度的訓練集構建；3）改進GoogLeNet架構（縮減為3個Inception模塊并一維化）；4）基于接收者操作特征(ROC)曲線量化性能；5）應用遷移學習解決跨源泛化問題。

【PMT偏壓優化】研究發現PMT偏壓顯著影響鑒別性能：1500V時真陽性率(TPR)達81%（1E-6誤報率），1550V時因信號飽和導致性能驟降50%。通過定義品質因數FoM=Δμ/(FWHM_n+FWHM_γ)，證實1500V時傳統PSD分離度最佳，與CNN性能峰值吻合。

【跨源遷移難題】直接應用單一源訓練模型時，DT源數據（使用EJ-309閃爍體）分類性能異常低下（TPR≈0%），而²⁵²Cf源模型在DD源數據上TPR達90.9%。通過凍結底層參數僅微調全連接層的遷移學習策略，使DT源模型在其他源數據上的TPR提升至34±3%，證明中子能譜差異是主要干擾因素。

【能量依賴性】能量分辨分析揭示：基于DT源訓練的模型對>1200 keVee事件敏感（TPR≈60%），而²⁵²Cf源模型擅長低能區（<1000 keVee TPR≈80%）。通過卷積神經網絡捕捉到傳統PSD參數未能提取的時域特征，使得在30 keVee能區仍保持鑒別能力。

【實際應用驗證】在²⁵²Cf屏蔽實驗中，1英寸高密度聚乙烯使中子分類率下降40%，而1/4英寸鉛屏蔽因抑制γ本底使效率提升2倍。通過分析被分類為中子的信號發現，即使在與γ群重疊的能區（傳統PSD無法區分），CNN仍能有效提取中子特征，且誤分類率嚴格受控于預設的1E-6誤報率。

該研究突破性地證明深度神經網絡可克服傳統PSD的三大局限：低能區失效、跨源性能波動、高純度訓練集依賴。特別值得注意的是，通過遷移學習實現的12.5%本征效率（²⁵²Cf源）已接近實用化門檻。未來通過融合CNN與尾總比法的混合架構，有望在核安保、醫學中子成像等領域帶來變革。研究還揭示中子能譜差異是影響模型泛化的關鍵因素，這為后續發展自適應能譜補償算法指明方向。