[论文解读] 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 4

一句话总结

本文提出了一种基于GPGPU加速的框架，用于实时挖掘神经元动作电位序列数据中的频繁事件，采用一种新颖的计算-核心映射方法（MapConcatenate）和两轮消除策略。通过利用NVIDIA GTX 280 GPU，该方法相较串行算法实现了数量级的加速，实现了近实时的“芯片到芯片”神经科学研究分析，即在GPU上对MEA数据进行挖掘以实现功能回路重建。

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.

研究动机与目标

• 为解决计算神经科学中从多电极阵列（MEAs）获取大规模实时脉冲序列数据时日益突出的计算瓶颈问题。
• 通过利用图形处理器的并行性，实现实时、可扩展的神经元事件流模式发现。
• 开发一种基于GPGPU的解决方案，支持具有事件间时间约束的频繁事件挖掘，这对于识别协调性神经元放电模式至关重要。
• 通过将事件计数高效映射到GPU架构，克服串行算法的性能限制。

提出的方法

• 提出MapConcatenate，一种专为事件挖掘设计的两阶段计算-核心映射方案，优化GPU线程利用率和内存访问模式。
• 采用两轮计数方法：第一轮使用松弛约束模型，通过上限计数法消除不支持的事件，第二轮对剩余候选事件进行精确计数。
• 将带事件间约束的状态机算法适配于GPU执行，其中每个线程块管理一组事件候选，并维护事件时间列表以验证约束条件。
• 利用共享内存和连续内存访问模式，最小化GPU内核执行的延迟并最大化吞吐量。
• 在CPU上执行候选生成，将计算密集型的计数阶段卸载至GPU，实现高并行性和低延迟处理。
• 利用CUDA编程模型组织线程块和瓦片（warp），确保内存访问连续性，并最小化瓦片间的分支发散。

实验结果

研究问题

• RQ1 GPGPU加速是否能显著缩短大规模神经元脉冲序列数据集中频繁事件挖掘的运行时间？
• RQ2 采用上限计数的两轮消除策略在不牺牲准确性的前提下，如何提升事件频率估计的效率？
• RQ3 何种新颖的计算-核心映射策略能够实现对非规则、事件驱动的数据挖掘工作负载的高效GPU利用？
• RQ4 所提出的框架在‘芯片到芯片’神经科学数据处理中，能在多大程度上实现近实时响应？

主要发现

• MapConcatenate映射方案实现了高GPU占用率和高效的内存访问，减少了线程分支发散，提升了并行效率。
• 两轮消除方法在测试数据集中将需完整计数的候选数量减少了高达90%，显著加速了整体处理流水线。
• 在包含100万+脉冲的合成数据集上，GPU加速的计数阶段相较串行CPU执行实现了15倍至30倍的加速。
• 在包含64个通道、10万至50万次脉冲的真实MEA数据集上，系统实现了近实时处理，支持对神经元放电模式的交互式分析。
• 该框架成功识别出具有精确发放间隔的生物相关事件，如神经元级联，支持功能连接性推断。
• 评估结果表明，第一轮的上限计数足以有效剔除不支持的事件，第二轮计数可获得准确的频率结果，且开销极低。