近期提出的单体相移深度神经网络(single phase-shift deep neural network,SPDNN),因其网络规模小、学习精度高,成为首个复杂中子共振截面拟合与评价的实用深度学习工具。在SPDNN学习共振截面的过程中,诸多因素显著影响网络的训练效果...近期提出的单体相移深度神经网络(single phase-shift deep neural network,SPDNN),因其网络规模小、学习精度高,成为首个复杂中子共振截面拟合与评价的实用深度学习工具。在SPDNN学习共振截面的过程中,诸多因素显著影响网络的训练效果、训练效率以及训练模型的泛化性。这些因素包括:决定网络相移层大小的共振截面频谱范围与频段宽度、隐藏层的数目、每层神经元的数目、激活函数、损失函数、训练步数和训练数据的预处理等。为了进一步提升SPDNN在共振截面研究中的实用性,详细考察了这些因素对网络拟合性能的影响。通过考察,确定了SPDNN在共振截面研究中适宜的网络构建和训练方法,助力推动SPDNN的广泛应用。展开更多
文摘近期提出的单体相移深度神经网络(single phase-shift deep neural network,SPDNN),因其网络规模小、学习精度高,成为首个复杂中子共振截面拟合与评价的实用深度学习工具。在SPDNN学习共振截面的过程中,诸多因素显著影响网络的训练效果、训练效率以及训练模型的泛化性。这些因素包括:决定网络相移层大小的共振截面频谱范围与频段宽度、隐藏层的数目、每层神经元的数目、激活函数、损失函数、训练步数和训练数据的预处理等。为了进一步提升SPDNN在共振截面研究中的实用性,详细考察了这些因素对网络拟合性能的影响。通过考察,确定了SPDNN在共振截面研究中适宜的网络构建和训练方法,助力推动SPDNN的广泛应用。
