| 研究課題/領域番号 |
17H01748
|
|---|
| 研究機関 | 筑波大学 |
|---|
研究代表者 |
建部 修見 筑波大学, 計算科学研究センター, 教授 (70357432)
|
|---|
| 研究分担者 |
日下 博幸 筑波大学, 計算科学研究センター, 教授 (10371478)
日野 英逸 統計数理研究所, モデリング研究系, 准教授 (10580079)
川島 英之 慶應義塾大学, 環境情報学部(藤沢), 准教授 (90407148)
|
|---|
| 研究期間 (年度) |
2017-04-01 – 2020-03-31
|
| キーワード | 極端気象 / 機械学習 / 並列分散処理 |
|---|
| 研究実績の概要 |
豪雨・突風・高温などの極端気象は人類に甚大な被害をもたらすが、その予測は極端気象に関する膨大な知識が必要である。本研究では、その知識を効率的に生成する機械学習基盤の構築を目的とする。平成30年度は、大規模な観測データを用いた深層学習を進めるための準備を行った。2006年から2018年までの全国合成レーダGPVと、JAMSTECから提供された可降水量のデータを用い、深層学習をするためのデータの準備を行った。可降水量が急に増えると雨が降ることを学習するためである。
この処理を行う過程において、いくつかの問題があることが分かった。一つ目は、深層学習のためにはミニバッチをまとめて学習を進めるが、そのミニバッチサイズの最適な値を見つけるのは試行錯誤が必要であること、二つ目は、学習における入力データの処理においてI/Oのボトルネックがあることである。
ミニバッチサイズについては、ミニバッチサイズによって学習処理をするGPUの利用効率が大きく異なることを発見し、自動的に最適なサイズにする手法の検討を行った。本成果は情報処理学会HPC研究会において研究発表した。二つ目のI/Oのボトルネックについては、深層学習のためには入力データをすべて読み込んで学習を行う必要があることと、読込データはランダムであることによる。この問題を解決するために、計算ノードのローカルストレージを用いたバーストバッファの研究を進め、情報処理学会HPC研究会において研究発表した。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
ほぼ研究実施計画通り進んでいる。本年度は深層学習を行うためのデータの準備と学習における問題点を明らかにした。その問題点の解決を進めており、最終年度ではその解決が可能と考える。
|
| 今後の研究の推進方策 |
平成30年度までの研究により、大規模気象データを用いた深層学習における問題点を明らかにした。深層学習を行うGPUをアイドルにしないためのミニバッチサイズの決定とI/Oの最適化である。これらの問題について解決を行い、深層学習フレームワークの改良を行う。
|
