Las redes neuronales requieren una gran cantidad de espectros de entrenamiento y respuestas de detectores para aprender a resolver el problema inverso de la descomposición del espectro de neutrones. Además, debido a la naturaleza subdeterminado de la descomposición, no se deben incluir en el conjunto de entrenamiento espectros no físicos que no se encontrarían en el uso. Si bien los espectros de entrenamiento físicamente realistas se determinan comúnmente de manera experimental o se generan a través de simulaciones de Monte Carlo, esto puede volverse prohibitivamente costoso al considerar la cantidad de espectros necesarios para entrenar de manera efectiva una red de descomposición. En este artículo, presentamos tres algoritmos para la generación de grandes cantidades de espectros de energía de neutrones realistas y motivados físicamente. Utilizando un compendio de la OIEA de 251 espectros, comparamos el rendimiento de descomposición de redes neuronales entrenadas con espectros de estos algoritmos, al descomponer espectros del mundo real, con dos líneas base. También investigamos métodos generales para evaluar el rendimiento y optimizar algoritmos de ingeniería de características.