近日，我院粒子物理与原子核物理实验室，在宇宙线μ子层析成像与智能识别交叉领域取得重要进展。相关成果以“Transfer learning empowers material Z classification with muon tomography”为题，发表在核科学领域国际期刊《Nuclear Science and Techniques》上。

宇宙线μ子具有强穿透能力，其在不同原子序数（Z值）材料中的多重散射角分布存在显著差异，因此μ子散射成像（Muon Scattering Tomography, MST）被认为是高Z核材料识别与无损探测的重要技术手段，在口岸安检、核废料监测和军控核查等领域具有广阔应用前景。然而，传统基于统计迭代重建或简单轨迹近似的方法，对数据质量与先验信息依赖较强；近年来兴起的监督学习方法虽在一定程度上提升了识别精度，但高度依赖标注数据，在复杂遮蔽环境下泛化能力受限，制约了缪子成像在实际工程中的应用。

图1：缪子穿过屏蔽物质的Geant4模拟设置示意图

针对上述问题，研究团队首次将迁移学习（Transfer Learning）方法引入缪子成像中，构建了两种轻量化神经网络模型：一种基于预训练–微调（fine-tuning）策略，另一种基于对抗式迁移学习（Domain-Adversarial Neural Network, DANN）框架（如图2所示）。研究利用裸材料的μ子散射数据进行源域训练，并将模型迁移至覆盖典型屏蔽材料（如铝或聚乙烯）的目标材料，实现更加贴近实际应用场景（如集装箱检测）的Z类识别。

图2: 用于微调迁移的神经网络结构（上）和用于对抗迁移的DANN网络（下）

在采样方法层面，团队提出了一种基于逆累积分布函数（inverse CDF）的新型采样方法，用于更精确地重建散射角分布。与传统随机采样训练方式相比，该方法可提升约4%的预测精度。在有限标注甚至无标注目标域数据条件下，迁移学习模型整体识别准确率超过96%，其中高Z材料识别精度接近99%。相较于未采用迁移策略的直接预测方法，整体精度提升约10%。模拟结果表明，迁移学习有效缓解了物理场景变化与数据分布偏移带来的性能退化问题，显著增强了模型在复杂工程环境中的泛化能力。

该成果展示了迁移学习在核探测与μ子成像领域的巨大潜力，为在复杂遮蔽条件下实现高灵敏度Z类材料识别提供了新思路，也为人工智能技术在核安全与核保障方向的深入应用奠定了方法学基础。未来，团队将进一步结合真实实验数据与更复杂场景建模，拓展迁移学习框架在多材料、多结构及更高维参数空间中的应用能力。

合肥工业大学为论文的第一署名单位，我院硕士研究生王浩辰和兰州大学博士研究生张昭为论文共同第一作者，我院张宇副教授、中国科学院近代物理所陈良文副研究员以及中国工程物理研究院何伟波副研究员为共同通讯作者。研究工作得到了国家自然科学基金、重离子科学与技术全国重点实验室研究项目、以及广东省基础与应用基础研究基金等支持。

图、文/张宇 审核/高伟清

文章链接：https://link.springer.com/article/10.1007/s41365-026-01901-w