我们研究了图神经网络的扩展行为，发现其在深度、宽度、分子数量、标签数量以及训练数据多样性上的扩展规律，取得了 30.25% 的性能改善（参数扩展至 10 亿）和 28.98% 的性能改善（数据集扩展至八倍）。此外，我们在 38 个任务上展示了很好的微调扩展行为，优于之前的大型模型，为基础图神经网络在制药药物研发领域迈出了重要的一步。

Apr, 2024

本文提出的图并行算法可在多个 GPU 上分布输入图，从而实现训练数十亿个参数的大型 GNN， 该方法在大规模开放铂族催化剂的数据集上取得了新的最先进结果。

Mar, 2022

基于自主学习的图神经网络模型的广义化和可扩展性进行了全面分析和研究，通过生成节点表示，在节点分类、链接预测和节点聚类等任务上实现了各种自主学习图神经网络模型的性能比较，并比较了全批次和小批次训练策略后各个模型的性能，同时评估了这些模型的训练效率。

Jun, 2024

本文介绍了一种基于图的个性化模型方法，该方法结合了异构图神经网络（HGNN）和大型语言模型（LLM）来实现多类型物品的个性化推荐，并在一个真实的工业音频流平台上进行了严谨的测试和有效性验证。

Mar, 2024

本文讲解了如何通过域分解方案将 MeshGraphNets（MGN）应用于具有百万节点的 3D 网格，进而生成计算流体力学（CFD）模拟结果，并通过高阶数值积分技术提高 MGN 的准确性和训练时间，为其在实际应用中的大规模使用提供了有效的路径。

Apr, 2023

提出了图基础模型（GFMs）的概念，并对其关键特征和技术进行首次全面阐述，然后将现有工作根据其依赖性分为三类，即基于图神经网络和大语言模型。本文不仅提供了对当前图基础模型领域的综合概述，还讨论了这一发展中领域的潜在研究方向。

Oct, 2023

图基础模型（GFM）是图领域中一个新兴的研究课题，旨在发展一种能够概括不同图和任务的图模型。我们提出了一个新颖的视角 ——“图词汇表”，通过在图中编码基本可转移单元的不变性来建立图词汇表，从而解决在构建 GFM 中遇到的跨结构模式图之间正向传递的关键挑战，这一视角可以潜在地推进未来 GFM 设计遵循神经规模定律。

Feb, 2024

该论文介绍 DistGNN，它使用共享内存实现 CPU 集群上的完全批量训练，减小了通过最小顶点切割图分区算法通信的要求，使用一系列延迟更新算法避免了通信，并在 Reddit、OGB-Products、OGB-Papers 和 Proteins 等常见 GNN 基准数据集上获得了 3.7 倍到 97 倍的加速。

Apr, 2021

利用并行多尺度模型比单尺度模拟可以更准确地模拟先进材料的力学响应，但是计算成本是该方法实际应用的障碍。本研究提出了一种备选的代理建模策略，允许保持问题的多尺度特性，并可与有限元求解器交替使用。通过使用图神经网络 (GNN) 预测完全场微观应变，并保留微观本构材料模型以获得应力，我们在弹塑性材料上实现了这一点。这种基于数据和物理的图形方法避免了预测完全场响应所产生的高维度，并允许非局部性产生。通过对各种网格进行训练，GNN 学习了对未见过的网格的泛化，使单个模型可以用于一系列的微结构。GNN 中嵌入的微观本构模型隐式地跟踪历史依赖变量，并提高了准确性。我们证明了对于几个具有挑战性的情景，代理模型能够预测复杂的宏观应力 - 应变路径。由于我们的方法的计算时间与微结构中的元素数量相比的呈良好的缩放规律，因此我们的方法可以显著加速 FE2 模拟。

Feb, 2024

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