Publicly Offered Research
Grant-in-Aid for Scientific Research on Innovative Areas (Research in a proposed research area)
本研究では、予報研究を行うにあたって必要な観測データをリアルタイムに取得し蓄積するデータベースや、 様々な予報戦略を並列的に試す模擬予報サーバ、実際に現時点での予報を出す本番予報サーバなど からなる実験環境を構築し、その上で、大きく分けて次の 3 通りの手法で、24 時間将来の太陽 X 線フラックス最大値など、宇宙天気に関わる物理量の予報を行う計画であった。1. 時系列データの学習に用いられる RNN (Recurrent Neural Network) を用いた、24 時間将来までの太陽 X 線フラックスなどの時系列予測、2. 画像認識に用いられている CNN (Convolutional Neural Network) を用い、ある時刻での太陽 画像を入力として、そこから 24 時間将来までの時系列予測、3. 2. で訓練済みの CNN を利用し、入力層から中間層までの演算を 1. の前処理の部分で用いて 時系列データを作ることで、CNN と RNN を組み合わせた動画予測。まず、東工大の共同利用計算機TSUBAME上に宇宙天気予報実験を実現する環境を構築した。我々はまず、入力画像を圧縮したあと、もとの画像を再現するよう訓練されるニューラルネットワークであるオートエンコーダを作った。94オングストロームから1600オングストロームまでの各波長の画像に対して、オートエンコーダに太陽画像を入力して学習させてみた。その結果、太陽画像の入力を正しく再現できることが分かった。また、畳み込みニューラルネットワークにより直接未来画像を予測するアプローチにより、波長211オングストローム、波長193オングストロームなどの太陽紫外線画像において、1日スケールの未来予測動画を生成することに成功した。の画像が明るいリムを持っていることが寄与しているものと思われる。
1: Research has progressed more than it was originally planned.
我々は、画像認識に用いられているCNN (Convolutional Neural Network) を用い、ある時刻での太陽画像を入力として、そこから24 時間将来までの太陽X 線フラックスなどの予測を行うシステムを作った。とりわけ、Segmentationネットワークを使って太陽活動の24時間将来までの予測動画を生成できるようになり、H29年度に予定していた成果を前倒しして実現した。ただし、地場画像を含む画像など将来予測を実現できていないチャンネルもある。これらに関しては今後さらなる研究が必要である。
Adversarial Networkを利用し、太陽表面の活動現象の特徴を保持した連続画像予測を達成する。時間分解能やNeural Networkの性能を工夫して実験を繰り返すことで、データからのフレア予測が可能になる条件を研究する。フレア予測精度の向上に結びつけ、我々が運用している宇宙天気予報アプリケーションに組み込む。
All 2017 2016
All Presentation (5 results) (of which Int'l Joint Research: 2 results, Invited: 1 results)
