تعتبر شبكات النظم البيانية (Graph Neural Networks - GNNs) واحدة من الابتكارات الأكثر إثارة في مجال الذكاء الاصطناعي، نظرًا لقدرتها على معالجة البيانات المعقدة المترابطة. ومع ذلك، إلا أن هذه الشبكات واجهت تحديات كبيرة تتعلق بإمكانية التوسع بسبب وصول الذاكرة غير المنتظم. كما أن العديد من الأطر الشائعة مثل DGL وPyTorch Geometric تدعم طرق التواصل العامة، إلا أن الطبقات المعقدة غالبًا ما تكون عرضة لإعادة استخدام البيانات بشكل غير فعال، مما يزيد من حركة الذاكرة ويحد من القدرة على التعامل مع الرسوم البيانية الكبيرة.

في سعينا نحو تحسين الأداء، اتخذنا وجهة نظر تركز على كثافة الإدخال/الإخراج (I/O) والشدة الحسابية، وقد أظهرنا أن الطبقات المستخدمة على نطاق واسع تتوزع ضمن ثلاث عائلات أساسية: عمليات التماثل المعتمدة على Sparse Matrix-Vector Multiplications (SpMM)، التجميعات المعتمدة على الاستنتاج، وطبقات الاعتماد (Attention) مثل GATv2 وGraph Transformer. من خلال تطوير نوى GPU مخصصة، استطاعت أن تعمل على تقليل حركة البيانات، وتحسين الاستفادة من الذاكرة، وكذلك التكيف مع الرسوم البيانية الواقعية.

قمنا أيضًا بدراسة إعادة ترتيب الرسوم البيانية، ووجدنا أن تأثيرها يعتمد على تخطيط النوى: حيث تحقق مزايا أكبر بالنوى التي تعتمد على توازي الجيران (neighbor-parallel) مقارنة بتصاميم المعالم المتوازية. تم اختبار نوى الانتباه المتكاملة لدينا وقدرتها على تحقيق زيادة في السرعة تصل إلى 3.9 مرات بالنسبة لGraph Transformer (مع متوسط يصل إلى 1.6 مرة)، بينما حققت المتغيرات المعتمدة على Tensor Core (block-sparse) زيادة تصل إلى 7.3 مرات على الرسوم البيانية ذات الكثافة المحلية. أما بالنسبة لGATv2، فقد حققنا زيادة في السرعة تصل إلى 8.5 مرات (متوسط 2.0 مرة) مع تقليل استخدام الذاكرة حتى 76 مرة (متوسط 6 مرات).

كما حققت نوى التخفيض المعتمدة على الدرجات زيادة في السرعة تصل إلى 10 مرات (متوسط 2.6 مرة). وللطبقات المعتمدة على SpMM، توفر مكتبة cuSPARSE السريعة المخبأة زيادة تصل إلى 8 مرات مقارنة مع DGL، متفوقة على معظم الأسس المخصصة التي تم تقييمها. وقد أصدرنا تنفيذاتنا كبدائل سهلة الاستخدام لدعم تسريع GNN القابل للتكرار والمهيأ للأجهزة.

مع استمرارنا في تطوير أداء شبكات النظم البيانية، يبقى سؤال يطرح: كيف يمكن لهذه التقنيات أن تفتح آفاقاً جديدة في تطبيقات الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!