高度計算機技術開発室 †
高度計算機技術開発室では原子力計算科学を支える計算機科学および計算科学に係る研究開発を推進しています。
| 最新トピックス †
| メンバー †
- 井戸村 泰宏 (室長, research map, google scholar)
- 小野寺 直幸 (研究副主幹, research map)
- 河村 拓馬 (研究副主幹, research map, ClientServer型可視化アプリ, In-Situ型可視化アプリ)
- 長谷川 雄太 (研究員, research map)
- 朝比 祐一(研究員, research map)
- 杉原 健太(研究員, research map)
- 矢野 緑里(博士研究員, research map)
- 伊奈 拓也 (技術員, research map)
- 真弓 明恵 (技術員, research map)
- 下村 和也(任期付技術員, research map)
| 研究テーマ †
| 高性能計算技術 †
エクサスケール計算で必要とされるアクセラレータ利用技術、並列処理技術等の高性能計算技術を開発しています。
(行列計算ライブラリPARCEL: https://ccse.jaea.go.jp/software/PARCEL/ )
HPE SGI8600における32CPU/GPUを用いたPARCEL、PETSc、AmgXの前処理付共役勾配法ソルバによる3次元ポアソン方程式(768x768x768)の処理性能。各ソルバで異なる前処理(Jacobi前処理、Block Jacobi前処理、細分化Block Jacobi前処理、Neumann展開前処理)および異なるデータ型(CRS、DDM)を比較した。
| PETSc CPU CRS Block Jacobi all-MPI | PARCEL CPU CRS Block Jacobi MPI+OpenMP | PARCEL CPU DDM Fine Block MPI+OpenMP | AmgX GPU CRS Jacobi MPI+CUDA | PARCEL GPU CRS Neumann MPI+CUDA | PARCEL GPU DDM Neumann MPI+CUDA |
Elapse Time [s] | 137.03 | 125.45 | 83.03 | 9.45 | 11.88 | 7.89 |
Memory [GB] | 379 | 158 | 126 | 167 | 269 | 151 |
(省通信マルチグリッド前処理付CG法による1000億格子規模のポアソンソルバ処理)

- T. Ina, Y. Idomura, T. Imamura, S. Yamashita and N. Onodera, "Iterative methods with mixed-precision preconditioning for ill-conditioned linear systems in multiphase CFD simulations," 2021 12th Workshop on Latest Advances in Scalable Algorithms for Large-Scale Systems (ScalA), 2021, pp. 1-8, doi: 10.1109/ScalA54577.2021.00006.
- Y. Idomura, T. Ina, Y. Ali and T. Imamura, "Acceleration of Fusion Plasma Turbulence Simulations using the Mixed-Precision Communication-Avoiding Krylov Method," SC20: International Conference for High Performance Computing, Networking, Storage and Analysis, 2020, pp. 1-13, doi: 10.1109/SC41405.2020.00097.
- Y. Ali, N. Onodera, Y. Idomura, T. Ina and T. Imamura, "GPU Acceleration of Communication Avoiding Chebyshev Basis Conjugate Gradient Solver for Multiphase CFD Simulations," 2019 IEEE/ACM 10th Workshop on Latest Advances in Scalable Algorithms for Large-Scale Systems (ScalA), 2019, pp. 1-8, doi: 10.1109/ScalA49573.2019.00006.
- Y. Idomura, T. Ina, S. Yamashita, N. Onodera, S. Yamada and T. Imamura, "Communication Avoiding Multigrid Preconditioned Conjugate Gradient Method for Extreme Scale Multiphase CFD Simulations," 2018 IEEE/ACM 9th Workshop on Latest Advances in Scalable Algorithms for Large-Scale Systems (scalA), 2018, pp. 17-24, doi: 10.1109/ScalA.2018.00006.
| 流体計算技術 †
緊急時の汚染物質拡散予測やスマートシティの設計・運用に必要となるリアルタイム風況・汚染物質拡散解析に向けてGPUを用いたエクサスケール流体計算技術を開発しています。
・東京都心部に対する風況解析(動画: https://youtu.be/VD-FMbNvzhs )
・GPUスーパーコンピュータでの弱スケーリング性能
・米国オクラホマシティの野外拡散実験解析 :汚染物質の可視化(動画:https://youtu.be/dCJnx30ky6s)および各観測点濃度の実験値との比較
- N. Onodera, Y. Idomura, Y. Hasegawa et al., “Real-time tracer dispersion simulation in Oklahoma City using locally mesh-refined lattice Boltzmann method”, Boundary-Layer Meteorology, 179, 2021, pp. 187-208, doi: 10.1007/s10546-020-00594-x.
- N. Onodera, Y. Idomura, et al., “Communication Reduced Multi-time-step Algorithm for Real-Time Wind Simulation on GPU-based Supercomputers”, Proc of 2018 IEEE/ACM 9th Workshop in ScalA, 2018, pp. 9-16, doi: 10.1109/ScalA.2018.00005.
| データ同化技術 †
流体計算の予測精度向上に向けて、計算と現実の観測値を融合するデータ同化技術を開発しています。
(2次元等方乱流におけるデータ同化実験)
(データ同化手法(LETKF)のGPU実装における高速化:https://github.com/hasegawa-yuta-jaea/LBM2D-LETKF )
| データ可視化技術 †
粒子ベースの可視化技術(PBVR)を活用して、エクサスケール計算に対応した大規模可視化技術の開発をしています。また、複雑なシミュレーションから得られる多変量データを効率よく可視化する技術を開発しています。
・遠隔可視化システムPBVR:https://ccse.jaea.go.jp/software/PBVR/index.html
遠隔地のストレージ上にある大規模データをクライアント・サーバ型で可視化します。粒子ベースの可視化技術により大規模データを小さな可視化用粒子データに圧縮(サーバ処理)して、ユーザPCに転送して可視化(クライアント処理)することで、対話的な可視化が可能です。
・粒子ベースのIn-Situ可視化フレームワーク:https://ccse.jaea.go.jp/software/In-Situ_PBVR/
In-Situ可視化とはスーパーコンピュータ上のシミュレーションに可視化コードを結合することで、大規模シミュレーションのI/Oボトルネックを回避できる技術です。粒子ベースのIn-Situ可視化フレームワークは可視化用粒子データをファイルベースで転送することで、バッチ処理実行時の対話的可視化が可能です。
・代数式による多変数データ向け可視化
多変量データ向け可視化のために、複数の物理値を関連づける色・不透明度関数をユーザ入力の代数式によって設計する技術です。これによって多変量データに対する専門家のイメージを形にする可視化が可能です。
- Takuma Kawamura, Yasuhiro Idomura, "Improvement of Interactive Remote In-Situ Visualization using SIMD-aware Function Parser and Asynchronous Data I/O", Journal of Visualization, Vol. 23, pp. 695–706, 2020. doi: 10.1007/s12650-020-00652-z.
- Takuma Kawamura, Tomoyuki Noda, Yasuhiro Idomura, “Performance Evaluation of Runtime Data Exploration Framework based on In-Situ Particle Based Volume Rendering”, Supercomputing Frontiers and Innovations, Vol. 4, No. 3, pp. 43-54, 2017. doi: 10.14529/jsfi170302.
- Takuma Kawamura, Yasuhiro Idomura, Hiroko Miyamura, Hiroshi Takemiya, "Algebraic design of multi-dimensional transfer function using transfer function synthesizer." Journal of Visualization, Vol. 20, pp. 151–162, 2017. doi:10.1007/s12650-016-0387-1.
| 機械学習技術 †
深層学習と数値流体計算の活用による、都市区画汚染物質濃度の即時予測モデルの開発を行っています。
大量の数値流体シミュレーションから様々な風況場における都市区画における汚染物質濃度分布のデータセットを構築し、それを学習した機械学習モデルによって高速な都市区画汚染物質濃度予測を行います。
(数値流体シミュレーションによって計算された汚染物質濃度(左)と機械学習モデルによって予測された汚染物質濃度(右): https://github.com/yasahi-hpc/CityTransformer )
- Y. Asahi, N. Onodera, Y. Hasegawa, T. Shimokawabe, H. Shiba and Y. Idomura, "CityTransformer: A Transformer-Based Model for Contaminant Dispersion Prediction in a Realistic Urban Area.", Boundary-Layer Meteorol (2023). doi: 10.1007/s10546-022-00777-8.
- Y. Asahi, S. Hatayama, T. Shimokawabe, N. Onodera, Y. Hasegawa and Y. Idomura, "AMR-Net: Convolutional Neural Networks for Multi-resolution Steady Flow Prediction," 2nd Workshop on Artificial Intelligence and Machine Learning for Scientific Applications (AI4S), 2021, pp. 686-691, doi: 10.1109/Cluster48925.2021.00102.