2021 Fiscal Year Research-status Report
シミュレーションと機械学習の協調による予測に基づいた動的負荷分散手法の開発
| Project/Area Number |
20K21787
|
|---|
| 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) |
2020-07-30 – 2023-03-31
|
| Keywords | ステンシル計算 / 高性能計算 / 機械学習 / 高生産フレームワーク / 適合細分化格子法 / 動的負荷分散 |
|---|
| Outline of Annual Research Achievements |
流体計算などの格子に基づく計算では、高精度が必要な領域をより高精細な格子で計算できる適合細分化格子(AMR)法がマルチスケール問題解決の鍵となる技術として注目されている。本研究では、大規模GPUスパコンで従来と比較して極めて高性能なAMR計算を実現するため、機械学習によりシミュレーションの「未来」の結果を予測し、それに基づき計算負荷を動的に分散する手法を開発する。開発手法を課題代表者らが開発中のAMR法フレームワークへ導入し、様々な実アプリケーションへ適用することを目指す。
本年度においては、ほぼ当初の計画通りに、深層学習で、規模の大きい流体シミュレーションの 「未来」の結果を予測する手法を開発した。研究を進めるにつれ、深層学習では均一な格子上のデータが取り扱いやすいことがわかり、AMR法による局所的に解像度が異なるデータを直接学習するよりも、均一な格子上のデータを学習する方が有効であることがわかってきた。複数の時間ステップを一つの空間の次元として捉えてEncoder-decoderモデルを構築した。これにスキップ接続を導入し、速度勾配などを損失関数に加えて、深層ニューラルネットワークモデルを構築し、これが精度向上に有効であるという知見を得た。流体計算の予測は可能とわかったものの、サイズの大きいデータを深層学習で直接学習することは難しい。そこで、小規模な領域のデータで学習を行い、推論ではそれを大規模な計算領域にパッチ的に適用する手法を開発した。この手法とこれまでに開発した間引かれた複数の時間ステップの計算履歴から、その先の時間ステップのデータを予測する手法を統合することで、学習で用いたデータよりも大きい規模の計算領域に対して、「未来」の結果を予測できる手法を構築した。これと並行して、AMR法フレームワーク自体を近年注目されている格子ボルツマン法に適用できるように高度化した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本年度は、研究計画に示した通り、機械学習で規模の大きい流体シミュレーションの 「未来」の結果を予測する手法を開発した。均一な格子上の流体計算を対象に流速や密度の結果を深層学習を用いることで予測することに成功した。時系列データを扱ういくつかの深層ニューラルネットワークモデルを比較検討した結果、複数の時間ステップを一つの空間の次元として捉えるEncoder-decoderモデルの深層ニューラルネットワークが有効であることがわかった。さらに、このモデルにスキップ接続を導入し、速度勾配などを損失関数に加えることで、精度向上することが明らかになった。深層学習の学習を効率的に行うためには、学習で用いるデータは小さい方が望ましい。一方で大規模計算の「未来」の結果を予測するためには、大きい計算領域に対して推論を適用できる必要がある。研究を進めるにつれ、学習で利用したデータの領域よりも規模の大きい計算領域の結果を予測する手法が必要であることがわかり、深層学習の推論をパッチ的に適用する手法を開発した。これによって、任意の大きさの計算領域に対して十分な精度で「未来」の結果を予測が可能となった。任意の大きさの計算領域で実行されるシミュレーションに対し、動的負荷分散のために深層学習による推論結果を利用できると期待できる。これに並行して、開発中のAMR法フレームワーク自体も近年大規模計算手法として注目されている格子ボルツマン法へ適用できるように高度化を進めた。
現在、高度化したフレームワークへ深層学習を基盤とした動的負荷分散を導入する方法の検討を進めている。以上のように、研究課題全体として、計画通り進展している。
|
| Strategy for Future Research Activity |
深層学習の推論をパッチ的に適用する手法を用いることで、規模の大きな流体シミュレーションの 「未来」の結果を深層学習により予測することが可能であることがわかったため、令和4年度の前半は、これを基盤として、計算領域全体に対して、渦、界面、物体表面など、高精細が必要な局所領域の大きさや移動方向を推定する方法の開発を進める。当初の計画では、AMR法による局所的に解像度が異なるデータを学習することで推定手法を開発する予定であったが、これまでに得られた知見から、均一な格子上のデータへ変換したのちに、深層学習の推論をパッチ的に適用して、「未来」を予測する手法を開発する予定である。そして、当初の計画通り、これまでの検討に基づき、予測に基づいた動的負荷分散手法の開発を始める。
令和4年度の後半は、開発した動的負荷分散手法を実際のアプリケーションへと導入を進める。開発中のAMR法フレームワークは大規模計算手法として知られている格子ボルツマン法へ導入することが可能となっており、これらを統合して、大規模な流体シミュレーションを実行することを試み、提案手法の有効性を検証する。また、音響解析、電磁波計算などへの適用を試みる。
|
| Causes of Carryover |
新型コロナウイルス感染症の感染拡大のために、参加を予定していた国際会議や国内学会への参加を取りやめたことで、主に旅費およびその他で次年度使用額が生じた。また、研究期間が終了した科研費課題で購入したデータ保存用ストレージを本課題でも活用したことで、物品費で次年度使用額が生じた。次年度使用額は、本年度に追加で必要となるストレージの購入費用に用いる予定である。また、新型コロナウイルス感染症の状況が改善されれば、旅費の一部として使用する予定である。
|
