Mar, 2023

GNNBuilder：通用图神经网络加速器生成、仿真和优化的自动化框架

PDF
TL;DR本文介绍了 GNNBuilder，这是第一个自动化的、通用的、端到端的 GNN 加速器生成框架，支持各种由用户任意定义的 GNN 模型，并拥有精确的性能模型和设计空间探索功能。实验结果显示，GNNBuilder 生成的加速器可以比 CPU 快 6.33 倍，比 GPU 快 6.87 倍。
发现论文，激发创造
  • 图计算加速器的实现

    图神经网络在图结构数据上学习提供了一种新颖的机器学习范例，能够捕捉图数据中的复杂关系和依赖性，从而在社交网络分析、分子化学和网络安全等领域具有重要的影响。本论文旨在深入研究 GNN 与底层硬件的交互方式，并设计专用加速器和新型优化方法，以实现更高效和更快速的 GNN 计算。我们基于对 GNN 计算需求的特征化构建了先进的硬件加速器结构，同时扩展了对图神经网络领域中新型模型的探索，旨在提供不仅高性能而且能适应图计算发展的多功能加速器。

    Dec, 2023

  • 通过架构、编译器、分区方法共同设计加速通用图神经网络

    本文介绍了一种名为 SwitchBlade 的框架，通过新型分区级操作融合、分区级多线程和细粒度图分区等方法，实现了对图神经网络的高性能和高效能加速，相较于 NVIDIA V100 GPU，SwitchBlade 平均速度提升 1.85 倍，节能 19.03 倍，并且在性能上与最先进的专用加速器相媲美。

    Aug, 2023

  • DGNN-Booster：动态图神经网络推理的通用 FPGA 加速器框架

    本文提出了一个新颖的 FPGA 加速器框架 DGNN-Booster，旨在解决动态图神经网络分析中的硬件部署问题。通过基于高层次综合的实时 DGNN 推断，DGNN-Booster 可以实现最多 5.6 倍的加速比，比 CPU、GPU 基线分别高 8.4 倍和 1000 倍以上。

    Apr, 2023

  • 图神经网络加速综述：算法、系统和定制硬件

    本次调查报告提供了图神经网络加速的分类法，并回顾了现有方法，并提出了未来的研究方向，以便统一视图和解决相关工作的复杂性。

    Jun, 2023

  • GNNAdvisor: 一种自适应高效的 GPU GNN 加速运行时系统

    GNNAdvisor 是一种自适应、高效的运行时系统，旨在加速 GPU 平台上各种 GNN 工作负载，使用了新的驱动力、二维工作负载管理和 GPU 内存层次优化等技术，实现了自动运行时优化。

    Jun, 2020

  • GNNavigator: 基于自动指南探索的图神经网络自适应训练

    GNNNavigator 是一个自适应的 GNN 训练配置优化框架，它能够通过软硬件统一抽象、GNN 训练性能模型和设计空间探索解决方案来满足不同 GNN 应用需求，实验结果显示，GNNNavigator 可以实现长达 3.1 倍的加速和 44.9% 的峰值内存减少，并且达到与最先进方法相当的准确性。

    Apr, 2024

  • 计算图神经网络：从算法到加速器的综述

    该研究论文通过对 GNNs 的计算效率进行探讨，提供了该领域的回顾，包括对 GNN 的基本概念的简短教程以及不同算法变体的多个阶段中进行的操作的总结；同时，提供了对当前软件和硬件加速方案的深入分析，并提出了一个面向硬件和软件的、图形感知和通信为中心的 GNN 加速器的愿景。

    Sep, 2020

  • 用于提高效率和可扩展性的 GNN 转换框架

    提出一种框架，可自动将不可扩展的 GNNs 转化为基于预计算的 GNNs，从而实现大规模图形的高效可扩展性，通过对大规模图形的广泛实验，我们证明了转换后的 GNNs 在训练时间上比现有的 GNNs 更快，同时达到了与现有 GNNs 的竞争准确性，因此，我们的转换框架为未来研究可扩展的 GNNs 提供了简单和高效的基线。

    Jul, 2022

  • GNNBENCH: 公平高效的单 GPU 图神经网络系统基准测试

    通过 GNNBench 基准平台，我们提出了一种新的协议来交换捕获的张量数据，支持系统 API 中的自定义类，并允许将同一系统模块自动集成到诸多深度学习框架中，如 PyTorch 和 TensorFlow，这帮助我们发现了几个需要关注的测量问题。

    Apr, 2024

  • 图神经网络加速调查：算法透视

    本文从算法角度提供了 GNNs 加速方法的综合调查，提出了包括五类在内的分类方法，并对这些方法进行了系统讨论和比较，最后为未来研究提出了一些有前途的前景。

    Feb, 2022