[S21P-04] Parallel GPU Deep Learning Framework for Seismology and Application for Seismic Waveform from Nankai Trough
南海トラフの海底観測網の数十TBにも及ぶ連続波形データを並列GPUで高速・効率的に深層学習、推定することができるフレームワークを開発した。構築したフレームワークにより、蓄積された連続波形データやそれらのP波S波の読取りデータを、情報科学分野の先端技術を活用して分析することが容易になる。南海トラフ海域では近い将来巨大地震の発生が懸念され、その破壊開始域と考えられる熊野灘と紀伊水道沖にDONET（Dense Oceanfloor Network system for Earthquakes and Tsunamis） と呼ばれる海底観測網[1] [2]が展開されている。各観測点は、ジンバル機構により水平に保たれた地動センシングシステムと圧力センシングシステムで構成される。前者は3成分強震計および3広帯域地震計を、後者は水圧計、ハイドロフォン、微差圧計、温度計を含む。これにより、微小振動から地震動、さらに地殻変動まで、広範囲の物理現象の検出が可能となる。データ取得レートは、強震計と広帯域地震計が100Hzまたは200Hz、ハイドロフォン・微差圧計が200Hz、水圧計が10Hz、温度計が1Hzである。これらの連続波形データは何十TBにも及び、これを元に海洋研究開発機構の研究者は通常地震や低周波微動など様々なイベントカタログを作成してきた。
発表者は、これらの蓄積されたデータを活用するため、情報科学分野で発展の目覚ましい深層ニューラルネットワークアーキテクチャの地震分野へ応用を推進している。しかし、現状ではこれらの巨大なデータは事前に教師データに変換する必要があり、また、事前の物理量変換、信号処理、深層学習向けのData Augmentation処理なども実装がなく、学習・推定時にリアルタイムで実行できない。そのため、学習・分析に大きなコストを要する。これは新しい深層学習モデルの開発や既存の先端モデルを用いた分析を行う際の課題となっている。この課題解決のため、本研究では、深層学習、機械学習、統計モデルへ柔軟なデータフィードを可能とし、直接、並列GPUで処理ができるデータ基盤フレームワークを構築することを試みた。
本発表では、構築したフレームワークを紹介するとともに、その性能をテストするため、既存の先端モデルであるEQTransfomer[3]などを用い、直接、DONET連続波形データへの自動波形読取りを試みる。海洋研究開発機構の保有するスーパーコンピューターであるES4のGPU（Graphics Processing Unit）ノードを複数用いて並列計算を行い、検出結果と実行速度を明らかにする。構築したフレームワークを用いた実験結果、およびフレームワークの応用の可能性については発表の際に述べる。
謝辞
この研究では海洋研究開発機構の計算機システムを用いました。記して感謝いたします。この研究ではDONETの観測データを用いました。DONETは海洋研究開発機構が開発・設置し、防災科学技術研究所によって運用されています。記して感謝いたします。本研究は科研費22K03768の助成を受けています。
引用
[1] Kaneda Y., Kawaguchi K., Araki E. et al., Development and application of an advanced ocean floor network system for megathrust earthquakes and tsunamis. In: Seafloor observatories, Springer, Heidelberg, pp 6433–666 (2015). https:// doi. org/ 10. 1007/ 978-3- 642- 11374-1_ 252
[2] Kawaguchi K., Kaneko S., Nishida T. et al., Construction of the DONET real-time seafloor observatory for earthquakes and tsunami monitoring, In Seafloor observatories, Springer, Heidelberg, pp 211–228 (2015). https:// doi.org/ 10. 1007/ 978-3- 642- 11374-1_ 10.
[3] Mousavi, S.M., Ellsworth, W.L., Zhu, W. et al., Earthquake transformer—an attentive deep-learning model for simultaneous earthquake detection and phase picking, Nat Commun 11, 3952 (2020). https://doi.org/10.1038/s41467-020-17591-w.
発表者は、これらの蓄積されたデータを活用するため、情報科学分野で発展の目覚ましい深層ニューラルネットワークアーキテクチャの地震分野へ応用を推進している。しかし、現状ではこれらの巨大なデータは事前に教師データに変換する必要があり、また、事前の物理量変換、信号処理、深層学習向けのData Augmentation処理なども実装がなく、学習・推定時にリアルタイムで実行できない。そのため、学習・分析に大きなコストを要する。これは新しい深層学習モデルの開発や既存の先端モデルを用いた分析を行う際の課題となっている。この課題解決のため、本研究では、深層学習、機械学習、統計モデルへ柔軟なデータフィードを可能とし、直接、並列GPUで処理ができるデータ基盤フレームワークを構築することを試みた。
本発表では、構築したフレームワークを紹介するとともに、その性能をテストするため、既存の先端モデルであるEQTransfomer[3]などを用い、直接、DONET連続波形データへの自動波形読取りを試みる。海洋研究開発機構の保有するスーパーコンピューターであるES4のGPU（Graphics Processing Unit）ノードを複数用いて並列計算を行い、検出結果と実行速度を明らかにする。構築したフレームワークを用いた実験結果、およびフレームワークの応用の可能性については発表の際に述べる。
謝辞
この研究では海洋研究開発機構の計算機システムを用いました。記して感謝いたします。この研究ではDONETの観測データを用いました。DONETは海洋研究開発機構が開発・設置し、防災科学技術研究所によって運用されています。記して感謝いたします。本研究は科研費22K03768の助成を受けています。
引用
[1] Kaneda Y., Kawaguchi K., Araki E. et al., Development and application of an advanced ocean floor network system for megathrust earthquakes and tsunamis. In: Seafloor observatories, Springer, Heidelberg, pp 6433–666 (2015). https:// doi. org/ 10. 1007/ 978-3- 642- 11374-1_ 252
[2] Kawaguchi K., Kaneko S., Nishida T. et al., Construction of the DONET real-time seafloor observatory for earthquakes and tsunami monitoring, In Seafloor observatories, Springer, Heidelberg, pp 211–228 (2015). https:// doi.org/ 10. 1007/ 978-3- 642- 11374-1_ 10.
[3] Mousavi, S.M., Ellsworth, W.L., Zhu, W. et al., Earthquake transformer—an attentive deep-learning model for simultaneous earthquake detection and phase picking, Nat Commun 11, 3952 (2020). https://doi.org/10.1038/s41467-020-17591-w.