이 논문은 이종 그래프 신경망(HGNN) 가속기의 성능 향상을 위한 방법을 제안한다. HGNN은 다양한 유형의 노드와 간선을 가진 이종 그래프를 처리할 수 있지만, 불규칙한 메모리 접근 패턴으로 인해 버퍼 스래싱 문제가 발생한다.
저자들은 이종 그래프의 토폴로지 분석을 통해 이 문제를 해결할 수 있는 기회를 발견했다. 이를 바탕으로 그래프 분리 및 재결합 기법을 제안하였다. 그래프 분리 단계에서는 최대 매칭 알고리즘을 사용하여 그래프 백본을 식별하고, 그래프 재결합 단계에서는 이 백본을 활용하여 하위 그래프를 생성한다.
이렇게 생성된 하위 그래프는 강한 커뮤니티 구조를 가지므로, 데이터 지역성이 향상되어 버퍼 스래싱 문제가 해결된다. 제안된 기법을 SOTA HGNN 가속기인 HiHGNN에 통합한 결과, 기존 대비 평균 14.6배 성능 향상과 91.3%의 DRAM 접근 감소를 달성했다.
To Another Language
from source content
arxiv.org
Ключові висновки, отримані з
by Runzhen Xue,... о arxiv.org 04-09-2024
https://arxiv.org/pdf/2404.04792.pdfГлибші Запити