| Project/Area Number |
23K11129
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 60090:High performance computing-related
|
|---|
| Research Institution | Japan Atomic Energy Agency |
|---|
Principal Investigator |
朝比 祐一 国立研究開発法人日本原子力研究開発機構, システム計算科学センター, 研究職 (00824103)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
長谷川 雄太 国立研究開発法人日本原子力研究開発機構, システム計算科学センター, 研究職 (10851016)
小野寺 直幸 国立研究開発法人日本原子力研究開発機構, システム計算科学センター, 研究職 (50614484)
|
|---|
| Project Period (FY) |
2023-04-01 – 2024-03-31
|
| Project Status |
Discontinued (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2025: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
Fiscal Year 2024: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
Fiscal Year 2023: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
|
|---|
| Keywords | 都市気流シミュレーション / GPUコンピューティング / Deep learning / Diffusion model / Data assimilation / GPU computing |
|---|
| Outline of Research at the Start |
本研究は、深層学習によって観測データとの同化を伴う都市部における汚染物質拡散の即時アンサンブル予測手法の確立を目的とする。文章などを条件としてノイズから多様な画像を生成可能なDiffusion modelをベースとすることで、観測時系列データを条件として複数のノイズから複数の汚染物質拡散の予測を瞬時に行う。本研究では、GPUによる高速計算で可能となる大規模都市風況シミュレーションデータセットとDiffusion modelをベースとした予測モデルにより、従来不可能であった観測データに基づく即時アンサンブル汚染物質拡散予測を可能にする。
|
| Outline of Annual Research Achievements |
本研究では、深層学習技術を用いることで、観測データとの同化を伴う都市部における汚染物質拡散の即時アンサンブル予測手法を確立する。GPUによる高速計算で可能となった大規模都市風況シミュレーションデータセットとDiffusion modelをベースとした予測モデルにより、従来不可能であった観測データに基づく即時アンサンブル汚染物質拡散予測を可能にする。
まず、都市風況解析コードCityLBMを用いてOklahoma市における一様風向条件下でのデータセットを構築した。構築したデータセットから、畳み込みニューラルネットワーク（CNN）とTransformerから構成される都市汚染物質拡散即時予測モデルCityTransformerを開発した。CityTransformerは、汚染物質や風況の定点観測時系列データを入力として、都市区画における汚染物質拡散を高精度かつ高速 (0.1秒程度)に予測出来ることを示した。同様に、汚染物質濃度や風況時系列データから放出点位置予測および放出濃度の逆推定も高精度に行えることを確認した。
これと並行して、Diffusion modelによって生成した擬似アンサンブルを利用するデータ同化手法を開発した。Diffusion modelは、ノイズがありかつ疎な観測データから元となるシミュレーションデータを再現するように訓練した。最も単純なカオス系であるLorenz96システムに対して適用したところ、シミュレーションと観測データが異なるパラメータに基づく場合（すなわちモデルにバイアスが存在する場合）のデータ同化精度で従来手法を上回ることを示した。
本成果は、複数の国内および国際学会で発表された。また査読付き論文誌にも掲載された。
|
