大規模地震観測データの並列GPU学習基盤フレームワークの開発

大规模地震观测数据并行GPU学习基础框架开发

• 批准号: 22K03768
• 负责人: 杉山 大祐
• 金额: $ 2.58万
• 依托单位: Japan Agency for Marine-Earth Science and Technology
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-04-01 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K03768/
• 关键词: 深層学習; 低周波地震; 並列計算; 機械学習; 地震イベント検出; 地震シミュレーション; GPU並列計算; フレームワーク開発

本研究では地震や低周波地震・超低周波地震等のイベント自動検出技術の高度化を目指し、新しい深層学習モデル創出に必須となる、数百TBクラスの連続波形データを並列GPU学習・推定可能とする地震学向け深層学習フレームワークを開発する。今年度は以下の研究を進めた。並列深層学習フレームワーク初版の開発を進め、ヘテロアーキテクチャ（ベクトルエンジン、CPU、GPU）スパコンであるES4において、ES4GPUで稼働させるための開発、および最適化を進めた。開発中の並列深層学習フレームワークを評価するためには、実際に評価対象となる教師データセットが必要である。そのため、南海トラフ沖海底観測網（DONET）のデータのうち20TB前後の連続観測データを連携者より受領して解析を行った。そして、DONETが採用している連続波形記録およびイベントの記録システムであるWINシステムのDONETデータを、深層学習向けの教師データセットへ変換するプログラムを開発した。ES4GPUで高効率に並列学習プログラムを稼働させるために必要となるデータフォーマットを検討して初版を決定し、そのフォーマットへの変換を行える機能を持つプログラムである。初版としてまずこの20TB程度のデータでフレームワークを用いて並列学習を進め、次年度の準備を整えた。次年度は、教師データセットへ変換するプログラムの整合性の検証を重点的に行ってから、実際にイベント検出などの深層学習を行い、残課題や性能上の問題点の洗い出しを行う予定である。

In this study, the automatic detection technology of earthquakes, low-frequency earthquakes and ultra-low-frequency earthquakes is highly targeted, and new deep learning is required to create hundreds of terabytes of continuous waveform data, and GPU learning is estimated to be possible. This year, the following research has been carried out. Parallel deep learning development, development and optimization of ES4, ES4 GPU In the development of parallel deep learning, it is necessary for teachers to evaluate and evaluate the situation. DONET (South China Sea) is a network of 20 terabytes (TB) connected to the sea. DONET is a continuous waveform recording system, and deep learning is developed for teachers. ES4GPU has high efficiency, parallel learning, initial edition, decision, and function. The first edition of the 20TB level of the program is available for parallel learning and preparation for the next year. In the next year, teachers will be able to change their teaching methods, and the integration of teaching methods will be focused on the implementation of in-depth learning, in-depth learning, and performance problems will be identified.