| 研究課題/領域番号 |
20K21787
|
|---|
| 研究種目 |
挑戦的研究(萌芽)
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
中区分60:情報科学、情報工学およびその関連分野
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
下川辺 隆史 東京大学, 情報基盤センター, 准教授 (40636049)
|
|---|
| 研究期間 (年度) |
2020-07-30 – 2024-03-31
|
| 研究課題ステータス |
完了 (2023年度)
|
| 配分額 *注記 |
6,500千円 (直接経費: 5,000千円、間接経費: 1,500千円)
2022年度: 2,210千円 (直接経費: 1,700千円、間接経費: 510千円)
2021年度: 2,210千円 (直接経費: 1,700千円、間接経費: 510千円)
2020年度: 2,080千円 (直接経費: 1,600千円、間接経費: 480千円)
|
|---|
| キーワード | ステンシル計算 / 高性能計算 / 機械学習 / 適合細分化格子法 / 高生産フレームワーク / 動的負荷分散 |
|---|
| 研究開始時の研究の概要 |
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。本研究では、従来のシミュレーションだけでは不可能であった「未来」の予測を含めた時系列変化を考慮した負荷分散を実現することを目指す。
|
| 研究成果の概要 |
近年、GPU計算では、GPU計算と相性の良い、高精度が必要な領域を局所的に高精細にできる適合細分化格子法が注目されている。本研究では、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、それに基づいた動的負荷分散する手法を開発することを目標とし、深層学習による流体シミュレーションの予測、計算量や通信量に基づいた最適な領域分割方法の構築、AMR法フレームワークの高度化とそれを用いた格子ボルツマン法の構築を実現した。機械学習によりシミュレーションの予測が有用であるという知見が得られた。
|
| 研究成果の学術的意義や社会的意義 |
格子計算はスパコンを利用する代表的なアプリケーションで、局所的に高精細な大規模計算を実現させる意義は大きい。 米国エネルギー省は、AMR法は所謂「エクサスケール」でのマルチスケール問題解決の鍵となる技術と位置付けている。本研究では、機械学習という全く異なるアプローチで数値計算結果を予測する。本研究の目標は予測に基づいた動的負荷分散の実現であるが、近似的ではあるが超高速な予測が可能である機械学習は計算科学分野の様々な要素技術で従来手法を凌駕する可能性を秘めており、本研究でその有用性を示した意義は大きい。
|
