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

通过仿真和机器学习的协作开发基于预测的动态负载平衡方法

• 批准号: 20K21787
• 负责人: 下川辺 隆史
• 金额: $ 4.16万
• 依托单位: The University of Tokyo
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Challenging Research (Exploratory)
• 财政年份: 2020
• 资助国家: 日本
• 起止时间: 2020-07-30 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-20K21787/
• 关键词: 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

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。

Fluid calculation is based on grid calculation, high-precision field calculation, high-precision grid calculation, high-precision grid calculation, In this study, large-scale GPU simulations are used to improve the performance of high-performance AMR calculations. in this study, large-scale and large-scale AMR simulations are used to improve the performance of high-performance AMR calculations. In the middle of the AMR method, the representative of the problem is required to enter the system, and the system is used to direct the application. The results of this year's training, training, in-depth study, and the results of this year's major fluid training program "the future" will show that there is a significant impact on the performance of the industry. In the last year of the year, the number of copies and the number of copies of the data were used to determine the number of data in space and the number of data in the space. There was a significant increase in the number of real-time data in the Encoder-decoder network. For the current year, the results show that the flow direction of the fluid is dependent on the direction of the flow, and the results show that the results show that the performance of the current year is higher than that of the current year, and the flow direction of the fluid is dependent on the direction of the flow. The accuracy is improved, and the results show that it is possible to gain knowledge over a long period of time. In recent years, large-scale calculations have been carried out in parallel with the AMR method. In recent years, large-scale calculation methods have been used to improve the accuracy of the calculation. The moving object in the fluid contains the location of the object, the area around the object, the high resolution of the object, the accuracy of the object, the location of the object, the location of the object, the area around the object.

项目成果

High-Resolution Simulations using an AMR Framework on GPU Supercomputers

在 GPU 超级计算机上使用 AMR 框架进行高分辨率模拟

• 发表时间: 2020
• 作者: Shimokawabe;T.;Onodera;N.
• 通讯作者: N.

AMR-Net: Convolutional Neural Networks for Multi-resolution Steady Flow Prediction

AMR-Net：用于多分辨率稳态流预测的卷积神经网络

• DOI: 10.1109/cluster48925.2021.00102
• 发表时间: 2021
• 期刊: The 2nd Workshop on Artificial Intelligence and Machine Learning for Scientific Applications, IEEE Cluster 2021
• 作者: Asahi Yuuichi;Hatayama Sora;Shimokawabe Takashi;Onodera Naoyuki;Hasegawa Yuta;Idomura Yasuhiro
• 通讯作者: Idomura Yasuhiro

Performance Optimization Of Lattice Boltzmann Method On A64FX

A64FX 上格子玻尔兹曼方法的性能优化

• 发表时间: 2022
• 作者: Takuro Omori;Takashi Shimokawabe
• 通讯作者: Takashi Shimokawabe

格子ボルツマン法によるインピーダンス境界を用いた音響解析手法の構築

使用格子玻尔兹曼方法构建使用阻抗边界的声学分析方法

• 发表时间: 2022
• 作者: 鈴木 翔太;下川辺 隆史
• 通讯作者: 下川辺 隆史

深層学習による混相流の時間発展シミュレーション結果の予測手法の検討

基于深度学习的多相流时间演化模拟结果预测方法研究

• 发表时间: 2020
• 期刊: 研究報告ハイパフォーマンスコンピューティング（HPC）
• 作者: 長谷川敦，下川辺隆史