本技术介绍了一种针对图卷积网络(GCN)的双向聚合计算加速器系统,旨在提升图数据处理效率。该系统包括预处理算法、中央处理器(CPU)、动态随机存取存储器(DDR)、控制单元、双向连接聚合计算阵列、连接边数据缓冲区及滑动窗口机制,以实现高效的图数据计算。
背景技术
近年来,随着人工智能与大数据技术的飞速发展,图卷积网络(GraphConvolutional Network,GCN)作为一种新兴的深度学习方法,在图结构数据的建模和学习方面展现出了卓越的能力,并在社交网络分析、生物信息学、推荐系统等多个应用领域取得了突破性进展。随着技术的不断进步和应用场景的持续拓展,GCN的应用前景将更加广阔。
在真实的图数据集中,图通常呈现不规则的结构,导致节点分布不均匀,图的邻接矩阵排布也不规则。特征矩阵的稀疏性因不同的数据集而异,例如,core数据集的特征矩阵高度稀疏,而reddit数据集的特征矩阵则是密集型的。因此,GCN在执行节点聚合时需进行稀疏-稀疏矩阵乘法或稀疏-密集矩阵乘法,这种大规模且不规则的计算模式给硬件架构带来了巨大的挑战。
目前,传统的硬件结构对于不规则的计算需求适应性较差,容易造成计算资源的浪费且计算效率低下,而计算效率高的架构往往需要复杂的软件调度或硬件设计,不利于后续的系统联调及布局布线。
实现思路