大規模グラフニューラルネットワーク推論性能の飛躍的向上

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アクセラレーター「BingoGCN」を開発しました。

グラフニューラルネットワーク（GNN）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」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）理論という2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」という技術で要約します。これにより、不規則なメモリー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ーを、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、メモリー使用量を削減し、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。