GPU・FPGA複合型グラフ構造データ分析基盤の創出

点击翻译按钮获取中文摘要

本研究では，グラフニューラルネットワーク (GNN) の学習精度の向上と学習時間の短縮を同時に実現する手法の確立を目指すため，GNNのグラフ特徴量抽出を正規パス問合わせ (RPQ:Regular Path Query) ベースの特徴量抽出機能で補完し，大規模並列処理を実行するハードウェアである Graphics Processing Unit (GPU) と再構成可能ハードウェアである Field Programmable Gate Array (FPGA) を適材適所的に活用するアプローチを推進している．GNN は大量の行列積和演算を内包しており，その演算に特化したハードウェアである GPU を GNN のための演算加速装置として用いるのは定石である.一方，RPQ評価はパスがクエリと一致しているか否かの条件分岐が大量に発生する演算処理であり，条件分岐や例外処理のない大量の単純並列性が演算対象に内在することが演算性能を最大限引き出すための前提条件となる GPU とは相性が極めて悪い.つまり，GPU に適した演算である GNN を GPU にオフ ロードし，GPU にとって不得手な演算であるRPQ評価をベースとしたグラフ特徴量抽出機能を FPGA にオフロードするという両デバイスの適材適所的な使い分けが有効であると睨んでいる．2022年度は， FPGA にオフロードする特徴量抽出機能に関する研究を主に実施した．具体的には，本機能の要素技術となるRPQ評価を FPGA で高速に実行するための OpenCL 実装を提案し，ベースライン手法と比較した結果，実行時間を最大3桁短縮することを確認した．また，入力となるグラフデータが大規模化した場合に備えるべく，提案した OpenCL 実装を複数の FPGA を用いて並列化する手法についても検討を行った．