機械学習とAMR法フレームワークで実現する様々なスパコンでの高精細な大規模計算

• Project/Area Number: 24K02947
• Research Category: Grant-in-Aid for Scientific Research (B)
• Allocation Type: Multi-year Fund
• Section: 一般
• Review Section: Basic Section 60090:High performance computing-related; Basic Section 60040:Computer system-related; Sections That Are Subject to Joint Review: Basic Section60040:Computer system-related , Basic Section60090:High performance computing-related
• Research Institution: The University of Tokyo
• Principal Investigator: 下川辺 隆史 東京大学, 情報基盤センター, 准教授 (40636049)
• Project Period (FY): 2024-04-01 – 2028-03-31
• Project Status: Granted (Fiscal Year 2024)
• Budget Amount: ¥17,420,000 (Direct Cost: ¥13,400,000、Indirect Cost: ¥4,020,000); Fiscal Year 2027: ¥4,810,000 (Direct Cost: ¥3,700,000、Indirect Cost: ¥1,110,000); Fiscal Year 2026: ¥4,810,000 (Direct Cost: ¥3,700,000、Indirect Cost: ¥1,110,000); Fiscal Year 2025: ¥5,720,000 (Direct Cost: ¥4,400,000、Indirect Cost: ¥1,320,000); Fiscal Year 2024: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
• Keywords: 高性能計算 / 適合細分化格子法 / 機械学習 / フレームワーク

Outline of Research at the Start

複雑な構造を再現する乱流モデルは、局所的に細かい格子を必要とし、計算資源の効率的な割り当てと最大限の加速が必要である。 本研究では、多様なスパコン環境を想定して、計算・通信・データ入出力の差異を吸収し、自動的に最適な手法を選択する高生産AMR(適合細分化格子)法フレームワークを構築する。これに加え、計算コストが高い乱流計算を深層学習ベースの代理モデルで置き換える。アプリ全体を最適化するAMR法フレームワークと深層学習による加速を併用することで、AI-for-Science型ワークロードを実現し、最先端スパコンの計算資源を最大限に利用した高精細で大規模な流体計算を実現する。