大規模グラフ上の深層学習サービスを加速するための計算SSDのためのハードウェア/ソフトウェア共プログラム可能フレームワーク【JST・京大機械翻訳】

Kwon Miryeong; Gouk Donghyun; Lee Sangwon; Jung Myoungsoo

プレプリント

J-GLOBAL ID：202202217059287277 整理番号：22P0278349

大規模グラフ上の深層学習サービスを加速するための計算SSDのためのハードウェア/ソフトウェア共プログラム可能フレームワーク【JST・京大機械翻訳】

Hardware/Software Co-Programmable Framework for Computational SSDs to Accelerate Deep Learning Service on Large-Scale Graphs

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年01月23日プレプリントサーバーでの情報更新日： 2022年01月23日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

グラフニューラルネットワーク(GNN)は100億エッジから成る大規模グラフを処理する。従来の深層学習とは対照的に,新しいGNNのユニークな挙動は,複雑で不規則な前処理を示すストレージに関するグラフと埋込みデータの大きな集合に従事している。著者らは,高速,エネルギー効率の良いGNN処理のための使いやすい,近記憶推論インフラストラクチャを提供する,大規模グラフ,HolisticGNNに関する,新しい深層学習フレームワークを提案した。最良のエンドツーエンド待ち時間と高いエネルギー効率を達成するために,HolisticGNNは,ユーザが様々なGNNアルゴリズムを実装し,実際のデータが全体的方法で存在している場合を直接実行することを可能にする。また,ユーザは,基礎となるハードウェアまたは記憶構成の知識なしにグラフセマンティックライブラリを通してGNNを単純にプログラムできるようなPCIe上のRPCを可能にする。HolisticGNNのハードウェアRTLを作成し,FPGAベースの計算SSD(CSSD)上でそのソフトウェアを実装する。経験的評価は,HolisticGNNの推論時間が,平均で33.2xのエネルギー消費を削減しながら,7.1xの高性能現代GPUを用いてGNN推論サービスより優れていることを示した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, , , , , , , , ,

前のページに戻る