中子在核中的分布对于确定中子皮厚度、核的对称能量、稠密核物质的状态方程以及中子星的质量-半径关系非常重要。然而，提取中子在原子核中的分布是极其困难的。从理论上讲，重核的多体量子从头算方法遇到了维数灾难。在实验上，中子不带电，不像电荷分布（质子分布），它可以直接测量。杰佛逊实验室的宇称破缺电子散射实验通过宇称破缺测量弱荷（中子）分布。我们试图从重离子碰撞的最终强子分布中提取中子在原子核中的分布。原则上，质子和中子在原子核中的分布对应于核碰撞的初始涨落和关联，经过相对论的水动力演化和碰撞后的强子输运，这些信息最终将转化为动量空间中最终强子的关联。如何建立核结构的初始涨落与最终关联之间的映射关系，是重离子碰撞确定初始核结构的关键。208Pb原子核采用skin型和无中子皮（no-skin）三种不同的中子分布，以及halo、皮和皮的三种核碰撞进行采样通过使用相对论分子动力学模型SMASH模拟诺斯金，获得最终强子的动量信息深度神经网络在人工智能技术有很强的模式识别能力和在不同数据类型之间建立映射的能力。我们使用点云神经网络和卷积神经网络，分别根据采样的初态核子分布和碰撞后的终态强子分布，利用初态核子的坐标来判断208Pb质子核的中子皮类型，在halo和skin两个分类任务中，深度神经网络只能达到62%的分类精度。利用末态强子的动量信息不能在统计误差范围内成功地将halo和皮皮皮两种类型的核碰撞进行分类。然而，使用强子分类任务的准确率比使用强子分类任务的准确率高出3.37%，而使用强子分类任务的准确率高出3.37%。也就是说，尽管人工神经网络无法区分中子皮的类型，但它可以从核碰撞的最终状态以一定的概率确定208Pb原子核中是否存在中子皮。如果对超级边缘碰撞事件进行筛选，使用多样本混合方法和涉及碰撞的粒子的电荷信息，人工神经网络在halo-halo和skin－skin分类的分类准确率约为56%