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

点击翻译按钮获取中文摘要

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ことを目指す。本年度は、まず、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発展させた。昨年度までの研究では、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モデルを基盤に、畳み込み層とそれに対応する逆畳み込み層の間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た深層ニューラルネットワークモデルを構築した。本年度は、これを効率的に学習するため、データセットが流体の流れる方向に依存しないように、学習データとして用いたシミュレーションの結果を回転や反転させ、それらもデータセットに加えることでデータ拡張し、その結果、予測精度を向上させることができた。精度が向上したことで、深層学習による予測を繰り返し適用することが可能となり、これによって従来より長い時間経過後の結果を予測可能であるという知見を得た。これと並行して、AMR法フレームワーク自体を近年大規模計算に向いた計算手法として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。流体中を移動する物体を含むシミュレーションに対して、物体周りの局所的領域だけを高解像度にするシミュレーションが可能となった。