在实际的内存处理系统上加速图神经网络
原文约400字，阅读约需1分钟。发表于：。图神经网络（GNNs）是分析图结构数据的新兴机器学习模型。本研究提出了一个高效的 ML 框架 PyGim，通过在实际的 PIM 系统中加速 GNNs，解决了 GNNs 中内存密集型核心所面临的数据移动瓶颈。通过提供混合 GNN 执行，我们证明 PyGim 在比特尔至强 CPU 上的性能平均提升了 3.04 倍，并实现了比 CPU 和 GPU 系统更高的资源利用率。该研究为软件、系统和硬件设计者提供了有价值的建议，并将开源 PyGim 以推动 PIM 系统在 GNNs 中的广泛应用。
本研究提出了高效的ML框架PyGim，用于加速图神经网络（GNNs）在PIM系统中的执行。通过解决数据移动瓶颈，PyGim在比特尔至强CPU上平均提升了3.04倍的性能，并实现了更高的资源利用率。该研究为软件、系统和硬件设计者提供了有价值的建议，并开源了PyGim以推动PIM系统在GNNs中的应用。
