格子に基づくシミュレーションは高性能計算分野の重要なアプリケーションである。時間発展を行う数値シミュレーションは、高精度に計算するために、多数の格子点を必要とし、多くの時間ステップを刻む必要がある。近年、深層学習が持つ高速な推論性能に依拠して、データ駆動アプローチによって数値シミュレーション結果を高速に予測する研究開発が盛んに行われている。本研究課題では深層学習を利用して、従来の数値シミュレーション手法を代替し、その結果を高速に予測する代理モデルの開発を目指す。本年度は、乱流シミュレーションで格子解像度よりも細かいサブグリッドスケール(SGS)の渦の効果を表すSGS応力を再現するハイパーグラフニュートラルネットワーク(HGNN)の構築を進めた。教師データには直接数値シミュレーション(DNS)の結果を用いる。教師データの無次元化などを行い、高レイノルズ数であっても学習が進むことを示した。