TopoGPU accélère le calcul de l'homologie persistante de 53 fois en moyenne

L'homologie persistante est de plus en plus utilisée en apprentissage profond, mais la calculer à l'intérieur de la boucle d'entraînement est extrêmement lent. Les auteurs d'un nouvel article publié sur arXiv proposent TopoGPU, un pipeline GPU en flux continu qui construit les diagrammes de persistance pour les complexes cubiques issus d'images 2D et 3D. Son concurrent, Cubical Ripser, est considéré comme l'une des meilleures implémentations existantes. TopoGPU l'a devancé sur chaque benchmark testé : 53,24 fois plus vite en moyenne sur le temps de calcul total (end-to-end), et jusqu'à 198,01 fois au maximum. Le code est ouvert, avec des binaires prêts à l'emploi, des notebooks Google Colab et des images Docker.

Où ça coinçait

L'homologie persistante suit l'apparition et la disparition des composantes connexes, des boucles et des cavités d'une image lorsque l'on fait varier le seuil de luminosité. Le résultat est un diagramme de persistance, une description compacte de la forme. Dans des tâches comme la segmentation, il sert de composante de la fonction de perte : le réseau est pénalisé pour des vaisseaux rompus ou des trous superflus dans le masque. Mais il faut alors recalculer le diagramme à chaque étape d'entraînement. Cubical Ripser tourne sur CPU, et sur les gros volumes 3D, le calcul absorbe une part importante du temps d'entraînement.

Comment fonctionne le pipeline

TopoGPU découpe l'image d'entrée en morceaux et les envoie au GPU l'un après l'autre. Des noyaux massivement parallèles traitent chaque morceau sur une grille de blocs GPU. Les relations de bord trouvées s'accumulent dans la mémoire de l'hôte, où le CPU réalise la réduction de la matrice de bord. La partie la plus parallélisable du travail passe sur la carte graphique, tandis que l'étape finale, séquentielle, reste sur le processeur. D'après la description, le schéma en flux continu n'oblige pas à garder tout le volume sur le GPU en même temps, mais le résumé de l'article ne précise pas les limites exactes en mémoire.

L'idée technique centrale s'appuie sur la théorie de Morse discrète. Elle permet de « contracter » le complexe en supprimant des paires de cellules sans modifier l'homologie, ce qui réduit nettement la taille de la matrice de bord. Le problème : en traitement par flux, chaque morceau ne voit qu'une partie des données, et un appariement de Morse naïf peut fausser le résultat. Les auteurs introduisent un stratification-aware discrete Morse matching et démontrent qu'il préserve l'homologie persistante dans un schéma en flux continu. Pour l'exécution sur GPU, ils ajoutent un tri topologique parallèle et un algorithme parallèle de parité des V-chemins, qui déduit les bords de Morse.

• Accélération moyenne end-to-end face à Cubical Ripser : 53,24x
• Accélération maximale : 198,01x
• Données d'entrée : images 2D et 3D, complexes cubiques
• Répartition du travail : le GPU construit les relations de bord, le CPU réduit la matrice
• Licence et distribution : code ouvert, binaires, Colab, Docker

À qui cela servira

Les auteurs ont testé la méthode dans un réseau sensible à la topologie et montrent que le coût du calcul de l'homologie persistante pendant l'entraînement baisse nettement. C'est le principal enseignement pratique. Si votre modèle utilise des pertes topologiques, par exemple pour segmenter des structures fines dans des scans médicaux 3D, TopoGPU peut lever ce goulot d'étranglement sans changer d'approche d'entraînement. Grâce aux images Docker et aux notebooks Colab prêts à l'emploi, on peut le tester en une soirée.

Il y a toutefois des réserves. La comparaison porte sur Cubical Ripser, et les chiffres de 53x et 198x dépendent du jeu de benchmarks et du matériel, que le résumé de l'article ne décrit pas. La réduction de la matrice reste sur le CPU : sur des données complexes, c'est elle qui peut devenir la nouvelle limite. Avant de modifier votre pipeline, mieux vaut faire tourner TopoGPU sur vos propres images et comparer les temps de calcul sur vos tailles de volumes, plutôt que de vous fier au seul gain moyen annoncé dans l'article.