Structure Optimization of Neural Networks with L&lt;inf&gt;1&lt;/inf&gt; Regularization on Gates

Chang, Qin; Wang, Junze; Zhang, Huaqing; Shi, Lina; Wang, Jian; Pal, Nikhil R.

doi:10.1109/ssci.2018.8628632

Cited by 13 publications

(4 citation statements)

References 33 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…We developed the LiCu-NNIP using the deep potential framework proposed by Zhang et al, [23,24] which is one of the most useful methods to obtain interatomic potentials in recent years. [25,26] The scheme of the LiCu-NNIP model training is shown in Figure 1a. The total energy E of a system is a sum of atomic energies, i.e., E = ΣE i , [23,27] where i is the index of the atom.…”

Section: Resultsmentioning

confidence: 99%

A Deep Neural Network Interface Potential for Li‐Cu Systems

Lai

Jiao

Fang

et al. 2022

Adv Materials Inter

View full text Add to dashboard Cite

Copper foil is one of the most commonly used current collector materials in Li metal batteries. However, many problems on the Li–Cu interface have not been effectively solved due to the lack of a fundamental understanding of Li–Cu interaction at the atomic scale. In this work, a deep neural network interface potential for Li‐Cu systems using neural networks combined with active learning strategies is developed. The potential shows excellent performances on the energy and force calculations, physical properties predictions, and structure explorations. Moreover, the study of the Li adsorption behaviors on the Cu surface demonstrates the accuracy of this potential in the investigation of the Li–Cu interface. This potential for the Li‐Cu systems provides an important opportunity to advance the understanding of interface problems in Li metal batteries.

show abstract

Section: Resultsmentioning

confidence: 99%

A Deep Neural Network Interface Potential for Li‐Cu Systems

Lai

Jiao

Fang

et al. 2022

Adv Materials Inter

View full text Add to dashboard Cite

show abstract

“…In the DeePMD method, firstly, a set of symmetry preserving descriptors is constructed by using the embedding net for each atom, whose details can be found in ref. 16. The descriptors are passed to the fitting NN to get the atomic energies.…”

Section: Methodsmentioning

confidence: 99%

“…12 In 2007, Behler and Parrinello 13 proposed the construction of descriptors of systems by using the radial distribution function and angular distribution function with multiple different hyperparameters, which was applied to high-dimensional systems. Based on the development of deep learning, the DeePMD method 14–16 greatly reducing the tedious work of artificially constructing descriptors to a certain extent has been widely used. 17–21…”

Section: Introductionmentioning

confidence: 99%

Deep potential for a face-centered cubic Cu system at finite temperatures

Meng

Yan

et al. 2022

Phys. Chem. Chem. Phys.

View full text Add to dashboard Cite

show abstract

“…İlk yaklaşım minimal bir mimari ile başlayıp, nöron ekleyerek ağın kapasitesini geliştirip optimal nöron sayısını elde etmektir [15][16][17][18][19][20]. İkinci yaklaşım ise gereğinden fazla nöron bulunan bir mimari ile başlayıp, gereksiz nöronları budayarak optimum nöron sayısını elde etmektir [13,[21][22][23][24][25][26][27][28][29][30]. Bu yaklaşımlara ilave olarak her iki yaklaşımı da kullanan hibrit çalışmalar da mevcuttur [31][32][33][34].…”

Section: 𝑖=1unclassified

Investigation of the Optimal Number of Neuron in One-Hidden-Layer Artificial Neural Networks

ÜNAL>

Çiftçi

URGAN

2022

Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi Fen Dergisi

View full text Add to dashboard Cite

Bu makalede, bir gizli katmanlı yapay sinir ağları için optimal nöron sayısı araştırılmıştır. Bunun için teorik ve istatiksel çalışmalar yapılmıştır. Optimal nöron sayısını bulmak için global minimum bulmak gereklidir. Ancak yapay sinir ağlarının eğitimi konveks olmayan bir problem olduğundan optimizasyon algoritmaları ile global minimum bulmak zordur. Bu çalışmada global minimumu dolayısıyla optimum nöron sayısını bulmak için baskı maliyet fonksiyonu önerilmiştir. Baskı maliyet fonksiyonu yardımıyla global minimumu veren yapay sinir ağı modelinin nöron sayısının, optimal nöron sayısını verdiği gösterilmiştir. Ayrıca baskı maliyet fonksiyonu XOR veri kümesi ve daire veri kümesi üzerinde test edilmiş ve XOR veri kümesi üzerinde %99, daire veri kümesi üzerinde ise %97 başarı elde edilmiştir. Bu veri kümeleri için optimal nöron sayısı tespit edilmiştir.

show abstract

Structure Optimization of Neural Networks with L<inf>1</inf> Regularization on Gates

Cited by 13 publications

References 33 publications

A Deep Neural Network Interface Potential for Li‐Cu Systems

A Deep Neural Network Interface Potential for Li‐Cu Systems

Deep potential for a face-centered cubic Cu system at finite temperatures

Investigation of the Optimal Number of Neuron in One-Hidden-Layer Artificial Neural Networks

Contact Info

Product

Resources

About