2023 Fiscal Year Annual Research Report
| Project/Area Number |
21H03417
|
|---|
| Allocation Type | Single-year Grants |
|---|
| Research Institution | Hiroshima University |
|---|
Principal Investigator |
中野 浩嗣 広島大学, 先進理工系科学研究科(工), 教授 (30281075)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
高藤 大介 周南公立大学, 福祉情報学部, 准教授 (00314732)
伊藤 靖朗 広島大学, 先進理工系科学研究科(工), 教授 (40397964)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Keywords | データ圧縮 / ビッグデータ処理 / 組み合わせ最適化 |
|---|
| Outline of Annual Research Achievements |
さまざまな可逆圧縮によるデータ圧縮について検討してきたが，データの構造が完全に不明であると，その圧縮性能に限界があり，さらなる改善は困難であることがわかった．そこで，本年度は，データの構造に着目し，大幅な削減方法を探求した．近年，高速計算が可能なGPUの研究が盛んに行われているが，その利用可能なメモリ量は限られている．多くのホストコンピュータではメモリが1テラバイトを超えるのが一般的であるが，GPUで100メガバイトを超えるメモリを持つものは現在のところ存在しない．このような大きなメモリサイズの制約のため，GPUの計算性能を最大限に引き出すためには，効率的なデータ圧縮技術が必要不可欠である．
今年度は，特に組み合わせ最適化問題のデータ構造に注目された．組み合わせ最適化は多くの実用的な問題に応用可能であり，効率的な解法が求められている．具体的には、Quadratic Unconstrained Binary Optimization（QUBO）問題に焦点を当てた． QUBO問題は、変数が二値（0または1）で表される最適化問題であり，これを解くことで多くの複雑な問題を容易にに扱うことができる．ただし．QUBO問題のサイズが大きくなりすぎる場合があり、例えば入力サイズがｎのとき，メモリ量はnの４乗にもなる場合もあり，GPUのメモリ容量を超えてしまうことが問題となっていた．そこでメモリ量をnの２乗にまで削減できる新しい手法を開発した．また， Traveling Salesman Problem（TSP）やQuadratic Assignment Problem（QAP），グラフのマッチングなどの組み合わせ最適化問題に適用することで，その削減効果をを実証した．この手法により，データ量を効果的に削減し，GPUの計算リソースを最大限に活用する方法が開発できた．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
これまでGPUやFPGAを用いた可逆圧縮手法の開発を行ってきたが，一定の成果が得られた．さらなる改善を試みたものの，可逆圧縮によるデータ圧縮には限界があることが判明した．そこで，データの構造に着目し，データの構造があらかじめ分かっている場合には，大幅な削減が可能であることを実例を用いて示した．具体的には、あらゆる順列の中から目的関数が最小となるものを探す順列タイプの組み合わせ最適化問題をQuadratic Unconstrained Binary Optimization（QUBO）問題に変換し，GPUなどを用いたQUBOソルバーで解く研究が盛んに行われている．しかし，この際，QUBO問題のサイズが大幅に増大してしまうことがあり、GPUのメモリに格納することが困難であった。今年度は、これを大幅に改善できることが示せた．
|
| Strategy for Future Research Activity |
今後は，異なるデータの構造や性質を基にした圧縮手法を開発し，これを組み合わせ最適化問題の解法や機械学習の効率化に応用する．データの本質を保ちつつサイズを削減することで，計算資源の消費を大幅に減らし，処理速度を向上させる．具体的には、時系列データ，画像データ，テキストデータなど，多岐にわたるデータタイプに対応した圧縮アルゴリズムを開発し，それぞれのデータ特性に最適化した手法を設計する。
このアプローチは、データの転送時間を短縮し，ストレージの使用量を減少させるだけでなく，データの前処理段階での効率化も実現する．また，新たな圧縮技術は，特に大規模な機械学習モデルや複雑な最適化問題において，解析速度の向上と精度の維持に寄与する．これにより，実世界の問題に対するより迅速かつ効果的な解決策が可能となる．
|
