En este artículo, proponemos un novedoso compresor paralelo basado en aprendizaje multiconocimiento (PMKLC) para mejorar el rendimiento de los compresores sin pérdidas basados en aprendizaje, que desempeñan un papel crucial en el respaldo, almacenamiento, transmisión y gestión de bases de datos genómicas a gran escala. PMKLC presenta cuatro diseños principales: un marco de compresión automatizado basado en aprendizaje multiconocimiento para mejorar la tasa de compresión y la robustez; un codificador ($s$,$k$)-mero acelerado por GPU para optimizar el rendimiento de la compresión y el uso de recursos computacionales; un mecanismo de división de bloques de datos y propagación de modelos por etapas (SMP) para aceleración paralela; y dos modos de compresión (PMKLC-S y PMKLC-M) para satisfacer diferentes escenarios de aplicación. Los resultados experimentales en 15 conjuntos de datos reales muestran que PMKLC-S/M mejora la tasa de compresión hasta en un 73,609% y un 73,480%, y el rendimiento hasta en 3,036x y 10,710x, en comparación con los métodos existentes. Además, consigue una excelente robustez y un uso de memoria competitivo.
