Kognitive korrelative Kodierung für die Übereinstimmung von Genomsequenzen in einem hyperdimensionalen System

Mustererkennung ist einer der Schlüsselalgorithmen zur Identifizierung und Analyse genomischer Daten. In diesem Papier schlagen wir HYPERS vor, ein neuartiges Framework, das hoch effiziente und parallele Mustererkennung basierend auf HyperDimensionalem Computing (HDC) unterstützt. HYPERS wandelt die inhärenten sequentiellen Prozesse der Mustererkennung in hoch parallelisierbare Rechenaufgaben unter Verwendung von HDC um. HYPERS nutzt die HDC-Speicherung, um die Genomsequenzen mithilfe hochdimensionaler Vektoren zu kodieren und darzustellen. Anschließend kombiniert es die Genomsequenzen, um eine HDC-Referenzbibliothek zu erstellen. Während der Übereinstimmung führt HYPERS eine Ausrichtung durch, indem es eine genaue oder annähernde Ähnlichkeitsprüfung einer kodierten Abfrage mit der HDC-Referenzbibliothek durchführt. Die Funktionalität von HYPERS wird durch theoretische Beweise unterstützt, die durch Softwareimplementierung verifiziert und umfassend auf der vorhandenen Hardwareplattform getestet wurden. Unsere Bewertung auf FPGA zeigt, dass HYPERS im Durchschnitt eine 17,5-fache Beschleunigung und 39,4-fache Energieeffizienz im Vergleich zu den derzeit besten Mustererkennungstools bietet, die auf der GTX 1080 GPU laufen.