TopoGPU acelera el cálculo de homología persistente una media de 53 veces

La homología persistente se usa cada vez más en el aprendizaje profundo, pero calcularla dentro del bucle de entrenamiento resulta penosamente lento. Los autores de un nuevo trabajo en arXiv proponen TopoGPU, un pipeline en streaming sobre GPU que construye diagramas de persistencia para complejos cúbicos generados a partir de imágenes 2D y 3D. Su competidor, Cubical Ripser, está considerado una de las mejores implementaciones existentes. TopoGPU lo superó en todos los benchmarks probados: de media 53,24 veces en el tiempo total de cálculo (end-to-end) y hasta 198,01 veces como máximo. El código es abierto y hay binarios listos para usar, cuadernos de Google Colab e imágenes de Docker.

Dónde estaba el cuello de botella

La homología persistente sigue cómo aparecen y desaparecen las componentes conexas, los bucles y las cavidades de una imagen al variar el umbral de brillo. El resultado es un diagrama de persistencia, una descripción compacta de la forma. En tareas como la segmentación, el diagrama se usa como parte de la función de pérdida: se penaliza a la red por vasos rotos o por agujeros de más en la máscara. Eso obliga a recalcular el diagrama en cada paso del entrenamiento. Cubical Ripser funciona en CPU y, con volúmenes 3D grandes, el cálculo consume una parte considerable del tiempo de entrenamiento.

Cómo funciona el pipeline

TopoGPU divide la imagen de entrada en fragmentos y los envía a la GPU uno tras otro. Cada fragmento lo procesan núcleos masivamente paralelos sobre una malla de bloques de GPU. Las relaciones de borde que se van encontrando se acumulan en la memoria del host, y allí la CPU realiza la reducción de la matriz de borde. La parte más paralelizable del trabajo pasa a la tarjeta gráfica, mientras que el paso final, secuencial, se queda en el procesador. Según la descripción, el esquema en streaming no exige mantener todo el volumen en la GPU a la vez, aunque el resumen del artículo no indica los límites exactos de memoria.

La idea técnica central se basa en la teoría de Morse discreta. Permite «colapsar» el complejo eliminando pares de celdas sin alterar la homología, de modo que la matriz de borde queda notablemente más pequeña. El problema es que, en el procesamiento en streaming, cada fragmento ve solo una parte de los datos, y un emparejamiento de Morse ingenuo puede distorsionar el resultado. Los autores introducen el stratification-aware discrete Morse matching y demuestran que preserva la homología persistente en el esquema en streaming. Para ejecutarlo en GPU añaden una ordenación topológica paralela y un algoritmo paralelo de paridad de V-paths que deduce las fronteras de Morse.

• Aceleración media end-to-end frente a Cubical Ripser: 53,24x
• Aceleración máxima: 198,01x
• Datos de entrada: imágenes 2D y 3D, complejos cúbicos
• Reparto del trabajo: la GPU construye las relaciones de borde y la CPU reduce la matriz
• Licencia y distribución: código abierto, binarios, Colab, Docker

A quién le sirve

Los autores probaron el método en una red que tiene en cuenta la topología y mostraron que el coste de calcular la homología persistente durante el entrenamiento baja de forma apreciable. Esta es la conclusión práctica principal. Si su modelo usa pérdidas topológicas, por ejemplo para segmentar estructuras finas en escáneres médicos 3D, TopoGPU puede eliminar el cuello de botella sin cambiar el enfoque de entrenamiento. Gracias a las imágenes de Docker y a los cuadernos de Colab, se puede probar en una tarde.

Hay también salvedades. La comparación es con Cubical Ripser, y las cifras de 53x y 198x dependen del conjunto de benchmarks y del hardware, que el resumen del artículo no describe. La reducción de la matriz sigue en la CPU, así que con datos complejos puede ser precisamente ella la que se convierta en el nuevo límite. Antes de cambiar su pipeline, conviene ejecutar TopoGPU con sus propias imágenes y comparar el tiempo de cálculo con los tamaños de volumen que usted maneja, y no quedarse solo con la mejora media del artículo.