Key points are not available for this paper at this time.
تظهر الشبكات العصبية البيانية (GNNs) كنهج قوي لمعالجة هياكل البيانات غير الإقليدية وقد أثبتت فعاليتها في مجالات تطبيقية متنوعة مثل الشبكات الاجتماعية والتجارة الإلكترونية. بينما يمكن أن تكون بيانات الرسم البياني التي يتم الاحتفاظ بها في الأنظمة العالمية كبيرة جدًا ومتناثرة، فإن استخدام GNNs للتعامل معها يتطلب تكاليف احتساب وذاكرة كبيرة، مما يؤدي إلى تكاليف كبيرة من حيث الطاقة والموارد على وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسوميات (GPUs). في هذه المقالة، نقدم بنية مسرع متخصصة، EnGN، لتمكين معالجة عالية الإنتاجية وكفء من حيث الطاقة للشبكات العصبية البيانية الكبيرة. تم تصميم EnGN المقترح لتسريع المراحل الثلاث الرئيسية من انتشار GNN، والتي يتم تجريدها كنماذج حسابية شائعة تشاركها GNNs النموذجية. لدعم المراحل الرئيسية في الوقت نفسه، نقترح تدفق بيانات حلقة الحافة (RER) الذي يروض الافتقار إلى المحلية للقمم المتصلة بشكل متناثر وعشوائي، ومصفوفة PE الخاصة بـ RER لممارسة تدفق بيانات RER. بالإضافة إلى ذلك، نستخدم استراتيجية تقسيم الرسوم البيانية لملائمة الرسوم البيانية الكبيرة ضمن EnGN واستغلال المخازن الهرمية على الشريحة من خلال إعادة ترتيب الحساب التكيفية وجدولة البلاط. بشكل عام، تحقق EnGN تسريعًا في الأداء بمعدل 1802.9X، و19.75X، و2.97X وكفاءة طاقة بمعدل 1326.35X، و304.43X، و6.2X في المتوسط مقارنةً بالوحدات المعالجة المركزية (CPU)، ووحدات معالجة الرسوميات (GPU)، ومسرع GCN المتطور HyGCN على التوالي.
درس ليانغ وآخرون (الخميس) هذا السؤال.