最新情報

不規則なメモリアクセスの解消により、計算速度と効率化を両立

• 大規模なグラフニューラルネットワーク（GNN）推論における大幅な高速化を可能にするスケーラブルなAIアクセラレータを実現。
• GNN推論中の不規則メモリアクセスをほぼ完全に解決し、計算コストを大幅に削減可能。
• 自動運転や広告推薦システムのようなリアルタイムかつ大規模なアプリケーションへの活用に期待。

東京科学大学（Science Tokyo） 総合研究院 AIコンピューティング研究ユニットの藤木大地准教授とJiale Yan（ジャロ・ヤン）ポスドク研究員（当時）らの研究チームは、大規模なグラフデータを効率的に処理できる新しいAIアクセラレータ「BingoGCN」を開発しました。

グラフニューラルネットワーク (GNN)^[用語1]は、人と人のつながりや道路網のような、複雑な関係性を表す「グラフデータ^[用語2]」を扱うのに優れたAI技術です。しかし、扱うデータが大きくなると、計算に必要な情報量が巨大になり、計算処理量・消費エネルギーが増大する課題がありました。

今回開発したBingoGCNは、この課題を解決するために、CMQとStrong Lottery Ticket (SLT) 理論^[用語3]という二つの新しい技術を搭載しています。CMQは、グラフデータを小さな塊（パーティション）に分割して処理する際に、パーティション間でやり取りされる情報を「オンラインベクトル量子化^[用語4]」という技術で要約します。これにより、不規則なメモリアクセスを大幅に減らし、処理の精度を保ちながら効率を向上させます。また、SLT理論ではAIモデルの計算に必要な「重み」と呼ばれるパラメータを、必要な時に必要な分だけチップ上で生成します。これにより、メモリ使用量を削減し、計算効率を大幅に高めます。BingoGCNは、これらの技術を組み合わせることで、従来難しかった細かく分割されたグラフデータ上でも、高い効率でGNNの推論^[用語5]を行うことを可能にしました。

この成果は、ソーシャルネットワーク分析や自動運転など、私たちの身の回りのさまざまなサービスを支えるGNNの性能を飛躍的に向上させるものです。

本成果は、2025年6月21日～25日に東京で開催される計算機アーキテクチャ分野の最高峰会議である「International Symposium on Computer Architecture (ISCA ’25)」にて発表されます。

大規模グラフにおけるリアルタイムGNN処理の課題

問合せ先

藤木大地准教授（電子機能システム研究コア）
http://www.artic.iir.titech.ac.jp/