DNAformer：大自然与人工智能相遇的地方

　　

Henry and Marilyn Taub计算机科学学院的研究人员开发了一种基于人工智能的方法，该方法将基于dna的数据检索速度提高了三个数量级，同时显着提高了准确性。研究团队包括博士生Omer Sabary、Daniella Bar-Lev博士、Itai Orr博士、Eitan Yaakobi教授和Tuvi Etzion教授。

 

DNA数据存储是利用DNA作为存储信息平台的新兴领域。DNA作为存储介质具有显著的优势，包括：

 

• 长期保存：2013年，丹麦的研究人员成功地从70万年前的马骨中提取了DNA。2021年，一个国际团队从生活在100多万年前的猛犸象身上恢复了DNA。相比之下，数据中心使用的磁盘的寿命只有几年，最多也只有几十年。这凸显了DNA长期储存的潜力。

 

• 能源和成本效率：为当今大多数计算服务提供动力的“云”依赖于数据中心，这些数据中心消耗了大约3%的全球电力，排放了大约2%的碳排放。随着数据的指数级增长，现有技术对环境的影响预计将显著增加。

 

• 无与伦比的数据密度：DNA存储提供的数据密度是传统数字存储的1亿倍。这意味着，目前存储1兆字节的容量理论上可以使用DNA存储100太字节的数据。

 

DNA是由一系列被称为核苷酸的有机化合物组成的分子。这些核苷酸分为四种类型，由字母A、C、G和t表示。与传统计算不同，传统计算中数据仅使用两个数字（0和1）进行编码，DNA存储基于四个字母的序列，这大大增加了可能组合的数量。

为了在这种技术中写入（存储）数据，需要DNA合成——根据编码信息的序列创建DNA分子。为了读取存储的数据，DNA测序是必要的。

 

DNA数据存储的挑战

开发基于dna的存储技术提出了几个技术挑战：

 

• 合成和测序都是冗长且容易出错的过程，会引入删除、插入和替换错误

 

• 由于合成过程的限制，编码数据的每个DNA分子会产生多个拷贝。这些副本无序地存放在一个存储容器中

 

• 在测序过程中，这些分子的许多错误拷贝被检索出来——大多数包含错误，而有些则完全消失

 

DNAformer：人工智能数据检索

目前的研究为复杂dna存储系统的检索和纠错提供了一个全面的计算解决方案。利用先进的算法和编码技术，研究人员已经证明，他们的解决方案可以将数据检索和读取时间从几天减少到10分钟。

 

Technion开发的方法，DNAformer，是基于模拟数据训练的变压器模型（使用模拟器生成，也是Technion开发的），从错误拷贝中重建准确的DNA序列。该方法还包括为DNA定制的纠错代码，确保数据的完整性。

 

此外，一个额外的安全余量机制检测特别嘈杂的DNA序列（在测序过程中发生的不必要的信号或错误，可能会干扰数据的准确解释），并应用强大的算法工具来有效地处理它们。在这个过程的最后，数据被转换回数字信息。

 

突破性的性能

这种新方法可以读取100兆字节的数据，速度比现有最精确的方法快3200倍，而且没有任何准确性损失。与以前已知的快速方法相比，DNAformer还将精度提高了40%，同时显着缩短了处理时间。这在一个3.1兆字节的数据集上进行了演示，其中包括：

• 彩色静止图像

• 一段24秒的宇航员尼尔·阿姆斯特朗在月球上讲话的音频剪辑

• 讨论DNA作为一种有前途的数据存储方法的优点的书面文本

• 随机数据，以说明对加密或压缩数据的适用性

 

研究人员计划根据不同的需求开发定制版本的DNAformer。他们强调，他们的技术具有可扩展性和适应性，这意味着它可以针对大规模数据存储应用进行优化，满足市场需求以及未来DNA合成和测序的进步。

 

该研究得到了欧洲研究委员会（ERC资助，DNAStorage）、欧洲创新委员会（EIC资助，DiDAX项目）和以色列科学基金会（ISF）的支持。