正电子湮没谱学是一种基于正电子探针、用于表征材料内部原子尺度缺陷与微观结构的独特分析技术。正电子的湮没寿命对其所处局域电子密度极为敏感，通过与理论计算值（如材料的体态与缺陷态的寿命值）进行对比，可对材料中特定缺陷类型及其浓度的鉴别。因此，获取高质量的正电子湮没寿命谱是精确表征材料微观结构的关键。近年来，随着波形数字化技术的发展，数字化正电子湮没寿命谱仪也得到快速发展。基于高速高精度采样的数字化示波器能够以极低失真捕获完整的信号波形，但同时也产生了海量的原始数据，对后续数据处理提出了更高要求。

深度学习是一种受到生物神经网络启发而构建的机器学习方法。自2006年由Hinton等人系统提出以来，已发展为通过构建含有多层隐藏节点的复杂模型，并利用大规模数据进行训练，从而完成分类、回归等任务的强大工具。深度学习的理论与方法近年来在工程与科学领域中得到了广泛应用。其中，卷积神经网络（Convolutional neural network, CNN）作为深度学习的主流模型之一，通过交替堆叠卷积层与全连接层，在处理具有空间或时序结构的数据（如图像、语音、探测器信号等）方面表现出显著优势。CNN对输入数据的局部特征与复杂模式具有出色的捕捉能力，能够充分挖掘完整波形中蕴含的物理信息。目前，CNN已在核技术领域多个方向得到应用。在正电子谱学方面，已有研究人员将其用于正电子发射断层扫描以提升多模态医学成像中飞行时间测量的精度与空间分辨率。然而，在正电子湮没寿命谱学领域（Positron annihilation lifetime spectroscopy, PALS），CNN尚未得到应用。

针对这一研究空白，中国科大粒子束交叉应用实验室首次将CNN模型引入正电子湮没寿命谱学研究，用于实现对数字PAL谱仪的时序脉冲波形的有效甄别。研究基于多参数脉冲甄别方法（multi-parameter discrimination, MP-disc）标注的脉冲数据集，训练了三种架构的CNN模型，包括简单CNN（simple-CNN, Sim-CNN）、注意力增强CNN（attention-based CNN, Att-CNN）和残差连接CNN（residual-based CNN, Res-CNN）。

如图1所示，实验谱仪系统主要由两个闪烁探测器、一台高速数字示波器及计算机工作站构成。数字示波器（Picoscope 6424E）以2.5 GS/s的采样率对两路探测器信号进行同步实时采样，并通过USB 3.0接口将数据实时传输至计算机进行处理。

图1. 结合深度学习框架的数字化PAL谱仪结构。在紧凑的探测几何下（源-探测器距离缩短至约5 mm），以1250 cps的高计数率下采集了呈现畸变的PAL谱（红色曲线），同时展示了由CNN模型甄别后的PAL谱（蓝色曲线）用于对比。

为系统评估CNN模型的性能，研究在紧凑几何配置下（源-探测器距离5 mm，以实现1250 cps的高计数率）采集了存在显著畸变的PAL谱（如图1中红色曲线所示）。经CNN模型甄别后的结果如图1中蓝色曲线所示，谱型有着显著改善，时间分辨率从200.5 ps提升至约190 ps，同时拟合优度优化至接近1.0。值得注意的是，三种CNN模型在拟合优度及寿命参数 Tau1的测量精度上均优于传统脉冲甄别方法。这一优势得益于CNN架构强大的特征提取能力与表征学习能力，充分展示了深度学习在提高数字PAL谱仪性能与测量精度方面的巨大潜力。

该研究成果于2025年12月18日发表于核探测领域著名期刊《Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment》，标题为《Convolutional neural networks applied to the signal discrimination of digital positron annihilation lifetime spectrometer》。论文的第一作者为粒子束交叉应用实验室博士生陈奕文，通讯作者为刘建党高级工程师与叶邦角教授。