論文の概要: SpecHD: Hyperdimensional Computing Framework for FPGA-based Mass
Spectrometry Clustering
- arxiv url: http://arxiv.org/abs/2311.12874v1
- Date: Mon, 20 Nov 2023 06:42:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 17:48:57.569191
- Title: SpecHD: Hyperdimensional Computing Framework for FPGA-based Mass
Spectrometry Clustering
- Title(参考訳): SpecHD:FPGAを用いた質量分析クラスタリングのための超次元計算フレームワーク
- Authors: Sumukh Pinge, Weihong Xu, Jaeyoung Kang, Tianqi Zhang, Neima Moshiri,
Wout Bittremieux, Tajana Rosing
- Abstract要約: SpecHDはFPGAアクセラレーションアーキテクチャで補完される超次元コンピューティングフレームワークで、近記憶前処理を統合している。
大規模な人間のプロテオームデータセットで、2500万のMS/MSスペクトルと131GBのMSデータを5分でクラスタ化することができる。
- 参考スコア(独自算出の注目度): 12.542997203275474
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Mass spectrometry-based proteomics is a key enabler for personalized
healthcare, providing a deep dive into the complex protein compositions of
biological systems. This technology has vast applications in biotechnology and
biomedicine but faces significant computational bottlenecks. Current
methodologies often require multiple hours or even days to process extensive
datasets, particularly in the domain of spectral clustering. To tackle these
inefficiencies, we introduce SpecHD, a hyperdimensional computing (HDC)
framework supplemented by an FPGA-accelerated architecture with integrated
near-storage preprocessing. Utilizing streamlined binary operations in an HDC
environment, SpecHD capitalizes on the low-latency and parallel capabilities of
FPGAs. This approach markedly improves clustering speed and efficiency, serving
as a catalyst for real-time, high-throughput data analysis in future healthcare
applications. Our evaluations demonstrate that SpecHD not only maintains but
often surpasses existing clustering quality metrics while drastically cutting
computational time. Specifically, it can cluster a large-scale human proteome
dataset-comprising 25 million MS/MS spectra and 131 GB of MS data-in just 5
minutes. With energy efficiency exceeding 31x and a speedup factor that spans a
range of 6x to 54x over existing state of-the-art solutions, SpecHD emerges as
a promising solution for the rapid analysis of mass spectrometry data with
great implications for personalized healthcare.
- Abstract(参考訳): 質量分析に基づくプロテオミクスは、パーソナライズされた医療にとって重要な存在であり、生体システムの複雑なタンパク質組成を深く掘り下げる。
この技術はバイオテクノロジーとバイオメディシンに大きな応用があるが、計算のボトルネックに直面する。
現在の手法では、大規模なデータセット、特にスペクトルクラスタリングの領域を処理するのに、何時間か数日もかかることが多い。
これらの非効率に対処するため,FPGAアクセラレーションアーキテクチャを内蔵した超次元計算(HDC)フレームワークであるSpecHDを導入する。
HDC環境での合理化されたバイナリ操作を利用することで、SpecHDはFPGAの低レイテンシと並列機能を活用する。
このアプローチはクラスタリングのスピードと効率を著しく改善し、将来の医療アプリケーションにおけるリアルタイムで高スループットのデータ分析の触媒となる。
我々の評価では、SpecHDは既存のクラスタリング品質指標をはるかに上回りながら、計算時間を劇的に削減している。
具体的には、大規模なヒトプロテオームデータセット(2500万のMS/MSスペクトルと131GBのMSデータを含む)を5分でクラスタ化することができる。
エネルギー効率が31倍を超え、既存の最先端ソリューションの6倍から54倍のスピードアップファクターを持つSpecHDは、パーソナライズされた医療に多大な影響を及ぼすマススペクトロメトリデータの迅速分析のソリューションとして期待できる。
関連論文リスト
- Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。
この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
論文 参考訳(メタデータ) (2024-08-26T17:03:14Z) - HyperSIGMA: Hyperspectral Intelligence Comprehension Foundation Model [88.13261547704444]
Hyper SIGMAは、HSI解釈のためのビジョントランスフォーマーベースの基礎モデルである。
特別に設計されたスペクトル拡張モジュールを使用して、空間的特徴とスペクトル的特徴を統合する。
スケーラビリティ、堅牢性、クロスモーダル転送能力、実世界の適用性において大きなメリットがある。
論文 参考訳(メタデータ) (2024-06-17T13:22:58Z) - Speed-up of Data Analysis with Kernel Trick in Encrypted Domain [2.592307869002029]
ホモモルフィック暗号化(HE)は、プライバシ保護データ分析において重要な暗号化データに対するセキュアな計算に重要である。
本稿では,暗号ドメイン内のML/STATアルゴリズムの時間性能を向上させるため,HE方式のカーネル手法を用いた効果的な高速化手法を提案する。
論文 参考訳(メタデータ) (2024-06-14T04:49:40Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳(メタデータ) (2024-01-11T19:07:58Z) - A FPGA-based architecture for real-time cluster finding in the LHCb
silicon pixel detector [0.8431877864777444]
本稿では,新しいVELO検出器のヒット位置を再構築するための2次元クラスタファインダーアーキテクチャの,独自のVHDLファームウェアの実装について述べる。
事前処理により、ソフトウェアトリガーの第1レベルは、イベントの11%高いレートを受け入れることができる。
さらに、生のピクセルデータを読み出しレベルに落として、DAQ帯域幅の約14%を節約できる。
論文 参考訳(メタデータ) (2023-02-08T10:08:34Z) - HDTorch: Accelerating Hyperdimensional Computing with GP-GPUs for Design
Space Exploration [4.783565770657063]
我々は、ハイパーベクタ操作の拡張を備えたPyTorchベースのオープンソースのHDCライブラリであるHDTorchを紹介する。
我々は4つのHDCベンチマークデータセットを精度、実行時間、メモリ消費の観点から分析する。
我々はCHB-MIT脳波てんかんデータベース全体のHDトレーニングと推測分析を行った。
論文 参考訳(メタデータ) (2022-06-09T19:46:08Z) - Real-time Hyperspectral Imaging in Hardware via Trained Metasurface
Encoders [55.16861072631285]
ハイパースペクトルイメージングは、コンピュータビジョンにおける画像分類と自動パターン認識のためのスペクトルシグネチャを特定するために大きな注目を集めている。
上述した制限に対処する新しい統合アーキテクチャであるHyplexを紹介する。
HyplexはCMOS互換で高速なハイパースペクトルカメラで、バルク光学を人工知能によって逆向きにデザインされたナノスケールのメタ曲面に置き換える。
論文 参考訳(メタデータ) (2022-04-05T09:52:51Z) - Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image
Reconstruction [127.20208645280438]
ハイパースペクトル画像(HSI)再構成は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。
スペクトル間相互作用のモデル化は、HSI再構成に有用である。
Mask-guided Spectral-wise Transformer (MST) は,HSI再構成のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-11-15T16:59:48Z) - Unsupervised Clustering of Time Series Signals using Neuromorphic
Energy-Efficient Temporal Neural Networks [1.2928408516950525]
監視されていない時系列クラスタリングは、多様な産業用途で困難な問題です。
時間的ニューラルネットワークに基づく非監視時系列クラスタリングに対するニューロモーフィックアプローチを提案する。
論文 参考訳(メタデータ) (2021-02-18T07:47:43Z) - Diagnostic data integration using deep neural networks for real-time
plasma analysis [2.770437783544638]
核融合実験のための買収の連鎖を完全に更新する可能性を探る。
特に、ニューロン伝達関数の量子化を試みると、そのようなモデルが組み込まれたファームウェアを作成するように変更できることが示されている。
このファームウェアは、深部推論モデルを一連の単純な演算に近似し、FPGAで多用される単純な論理ユニットとよく適合する。
論文 参考訳(メタデータ) (2020-10-28T18:09:44Z) - Real-time Semantic Segmentation via Spatial-detail Guided Context
Propagation [49.70144583431999]
本研究では,リアルタイムセマンティックセグメンテーションを実現するための空間詳細ガイド付きコンテキスト伝搬ネットワーク(SGCPNet)を提案する。
浅い層の空間的詳細を利用して低解像度のグローバルコンテキストの伝播を誘導し、失われた空間情報を効果的に再構成することができる。
69.5%のmIoUセグメンテーション精度を実現し、GeForce GTX 1080 Tiの768x1536イメージ上で178.5 FPSに達する。
論文 参考訳(メタデータ) (2020-05-22T07:07:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。