[論文レビュー] Towards Chip-on-Chip Neuroscience: Fast Mining of Frequent Episodes Using Graphics Processors

Yong Cao, Debprakash Patnaik+5 more|ArXiv.org|May 13, 2009

Neural dynamics and brain function参考文献 11被引用数 4

ひとこと要約

本論文は、新規の計算スレッドコアマッピング手法（MapConcatenate）と二パス削除戦略を用いて、神経細胞スパイクトレインデータにおける頻度の高いエピソードのリアルタイム抽出を実現するGPGPUアクセラレートフレームワークを提示する。NVIDIA GTX 280 GPUを活用することで、逐次的手法と比較して数個のオーダーの高速化を達成し、MEAsデータをGPUでマイニングすることで機能的回路再構築が可能なニアリアルタイムな「チップ・オン・チップ」神経科学解析を可能にする。

ABSTRACT

Computational neuroscience is being revolutionized with the advent of multi-electrode arrays that provide real-time, dynamic, perspectives into brain function. Mining event streams from these chips is critical to understanding the firing patterns of neurons and to gaining insight into the underlying cellular activity. We present a GPGPU solution to mining spike trains. We focus on mining frequent episodes which captures coordinated events across time even in the presence of intervening background/"junk" events. Our algorithmic contributions are two-fold: MapConcatenate, a new computation-to-core mapping scheme, and a two-pass elimination approach to quickly find supported episodes from a large number of candidates. Together, they help realize a real-time "chip-on-chip" solution to neuroscience data mining, where one chip (the multi-electrode array) supplies the spike train data and another (the GPGPU) mines it at a scale unachievable previously. Evaluation on both synthetic and real datasets demonstrate the potential of our approach.

研究の動機と目的

• 計算神経科学分野におけるマルチエレクトロードアレイ（MEAs）からの大規模かつリアルタイムなスパイクトレインデータマイニングにおける増大する計算ボトルネックに対処すること。
• グラフィックスプロセッサの並列性を活用して、神経イベントストリームにおけるリアルタイムでスケーラブルなパターン発見を可能にすること。
• 相互間隔制約を伴う頻度の高いエピソードマイニングをサポートするGPGPUベースのソリューションを開発し、連携する神経細胞の発火パターンを同定することに不可欠であることを目的とする。
• 逐次アルゴリズムの性能制限を克服するために、エピソードカウントをGPUアーキテクチャに効率的にマッピングすること。

提案手法

• エピソードマイニングに特化した二段階の計算スレッドコアマッピング方式であるMapConcatenateを導入し、GPUスレッドの利用効率とメモリアクセスパターンを最適化する。
• 二パスカウントアプローチを採用：第一段階では緩い制約モデルを用いて上限カウントにより非サポートエピソードを削除し、第二段階では残存候補に対して正確なカウントを実行する。
• 相互間隔制約を伴う状態遷移マシンアルゴリズムをGPU実行可能に変更し、各スレッドブロックがエピソード候補のサブセットを管理し、制約検証用のイベント時刻リストを維持する。
• 共有メモリとコalescedメモリアクセスパターンを活用して、GPUカーネル実行におけるレイテンシを最小限に抑え、スループットを最大化する。
• 候補生成処理をCPUで実行し、計算負荷の高いカウントフェーズをGPUにオフロードすることで、高い並列性と低レイテンシ処理を実現する。
• CUDAプログラミングモデルを活用してスレッドブロックとワープを整理し、コalescedメモリアクセスを確保するとともに、ワープ間の分岐分岐を最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 GPGPUアクセラレーションにより、大規模な神経スパイクトレインデータセットにおける頻度の高いエピソードマイニングの実行時間を顕著に短縮できるか？
• RQ2 上限カウントを用いた二パス削除戦略は、正確性を損なわず、効率を向上させることができるか？
• RQ3 どのような新規な計算スレッドコアマッピング戦略が、不規則でイベントベースのデータマイニングワークロードに対して効率的なGPU利用を可能にするか？
• RQ4 提案フレームワークは、『チップ・オン・チップ』神経科学データ処理において、どの程度リアルタイム応答性を達成できるか？

主な発見

• MapConcatenateマッピング方式は、高いGPUオキュパイアンシーと効率的なメモリアクセスを実現し、スレッド分岐を低減して並列効率を向上させる。
• 二パス削除アプローチにより、テストされたデータセットでは全カウント対象の候補数が最大90％まで削減され、パイプライン全体の高速化が顕著に達成された。
• 100万スパイク以上の合成データセットにおいて、GPUアクセラレートカウントフェーズは、逐次CPU実行と比較して15倍から30倍の高速化を達成した。
• 64チャンネル、10万～50万スパイクを含む実際のMEAデータセットでは、システムがニアリアルタイムでデータ処理を実行し、神経細胞発火パターンのインタラクティブ解析を可能にした。
• フレームワークは生物学的に意味のあるエピソード、例えば正確なスパイク間隔を有する神経細胞カスケードを正常に同定でき、機能的結合性の推定を支援した。
• 評価により、第一段階の上限カウントが非サポートエピソードの削除に十分であることが確認され、第二段階では最小限のオーバーヘッドで正確な頻度カウントが得られた。