線形計画法と深層学習による人工衛星データの復元と解析
Project/Area Number |
20K21792
|
Research Category |
Grant-in-Aid for Challenging Research (Exploratory)
|
Allocation Type | Multi-year Fund |
Review Section |
Medium-sized Section 60:Information science, computer engineering, and related fields
|
Research Institution | National Graduate Institute for Policy Studies |
Principal Investigator |
土谷 隆 政策研究大学院大学, 政策研究科, 教授 (00188575)
|
Co-Investigator(Kenkyū-buntansha) |
上野 玄太 大学共同利用機関法人情報・システム研究機構(機構本部施設等), データサイエンス共同利用基盤施設, 教授 (40370093)
田中 未来 統計数理研究所, 数理・推論研究系, 准教授 (40737053)
池上 敦子 成蹊大学, その他部局等, 客員研究員 (90146936)
|
Project Period (FY) |
2020-07-30 – 2024-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥5,070,000 (Direct Cost: ¥3,900,000、Indirect Cost: ¥1,170,000)
Fiscal Year 2021: ¥2,990,000 (Direct Cost: ¥2,300,000、Indirect Cost: ¥690,000)
Fiscal Year 2020: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
|
Keywords | 人工衛星 / 深層学習 / Geotail / プラズマ粒子 / 線形計画 / GEOTAIL / 整数計画 / 信号復元 / 数理計画法 / 人工衛星データ / 線形計画法 |
Outline of Research at the Start |
Geotail は磁気圏観測を目的として1992 年に打ち上げられ, 今なお稼動している人工衛星である. 本研究の対象となるのは同衛星により観測された低エネルギー粒子観測データである. 観測されるのはプラズマ粒子の分布の3次元ヒストグラムであるが,Geotailは1日の内16時間分を「2 次元ヒストグラム+ 10 個の統計量」の圧縮された形で地上に送信する.本研究では, 圧縮した形で取得されたプラズマ粒子の分布のデータ(12 秒毎, 16 時間/日, 28 年分) を, 線形計画法と深層学習を駆使して3次元ヒストグラムに復元するための手法を開発し, さらに復元されたデータを元に解析を行う.
|
Outline of Annual Research Achievements |
本研究の目的は、磁気圏尾部観測衛星GEOTAILが観測して圧縮した形で地上に送ってきた低エネルギープラズマ粒子の3次元分布データ(入射方向2次元(緯度方向7成分と経度方向16成分)、エネルギー強度1次元32成分)を復元することである。この3次元分布は7×16×32=3584成分のヒストグラムで表現されるが,圧縮されたデータは緯度方向を周辺化して2次元に圧縮された512成分ヒストグラムと10個の統計量である。一日の内8時間は3次元分布データが送られてくるが、残り16時間については、圧縮されたデータが送られてくる。3次元データが送られる8時間分を復元の学習用に用いることができる。 観測者は3次元分布データから求められるEtスペクトログラムという可視化グラフを用いて科学的推論を行う。地球惑星科学的な立場からGEOTAILデータを用いる研究の目的の一つに磁気リコネクションという現象を発見することが挙げられるが、この現象はEtスペクトログラムから判定される。本研究により、復元データから新たな磁気リコネクションを発見できる可能性がある。 本年度は、昨年度までの研究で有望であることが判明した U-Net を生成ネットワークとし、畳み込みネットワークを評価関数とした GAN を引き続き採用し、その性能向上を試みた。昨年度より長時間学習させ、さらに、3次元ヒストグラムのデータだけでなく、それをEtスペクトログラムに変換したデータ(これが観察者が実際に観察するものである)を学習に利用した。 現時点では、学習後、検証用の圧縮データを復元し、特に磁気リコネクションの部分の Etスペクトログラムを正解と比較すると、まだ再現性が不十分である。そのため、磁気リコネクションに絞った強化学習を行うなど、更なるモデルの改良が必要であることが判明した。
|
Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
さまざまな工夫を行っているにもかかわらず、磁気リコネクションが起こっている場合の3次元ヒストグラムの正答率の上昇が頭打ちになっており、当初の想定よりも時間を要している。
|
Strategy for Future Research Activity |
磁気リコネクションはまれに起こる事象でデータが少ないことが困難の原因の一つと考えられる。機械学習では、まれな事象を解析する際には、その時点で利用可能な事象データに基づいて、人工的に学習データを追加生成することが行われるので、この方向でデータを増やしてからGAN による更なる学習を試みる予定である。また、機械学習で推定された推定結果のクセを線形計画法で補正してデータの正答率を上げることも試みたい。
|
Report
(3 results)
Research Products
(1 results)