得益于大數(shù)據(jù)的興起和計算能力的快速提升，機(jī)器學(xué)習(xí)技術(shù)近年來經(jīng)歷了革命性的發(fā)展。諸如圖像分類、語音識別和自然語言處理等機(jī)器學(xué)習(xí)任務(wù)，都是對具有一定大小、維度和有序排列的歐幾里得數(shù)據(jù)進(jìn)行處理。然而，在許多現(xiàn)實場景中，數(shù)據(jù)是由復(fù)雜的非歐幾里得數(shù)據(jù)（例如圖形）表示的。這些圖形不僅包含數(shù)據(jù)，還包含數(shù)據(jù)之間的依賴關(guān)系，例如社交網(wǎng)絡(luò)、蛋白質(zhì)分子結(jié)構(gòu)、電子商務(wù)平臺中的客戶數(shù)據(jù)等。數(shù)據(jù)復(fù)雜性的提升給傳統(tǒng)的機(jī)器學(xué)習(xí)算法設(shè)計及其實現(xiàn)技術(shù)帶來了嚴(yán)峻的挑戰(zhàn)。在這種情況下，許多全新的基于圖形的機(jī)器學(xué)習(xí)算法或圖神經(jīng)網(wǎng)絡(luò)（GNN）不斷在學(xué)術(shù)界和工業(yè)界涌現(xiàn)。

GNN對計算能力和存儲有非常高的要求，而且其算法的軟件實現(xiàn)效率非常低。因此，業(yè)界對GNN的硬件加速有著非常迫切的需求。盡管傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）硬件加速有很多種解決方案，但GNN的硬件加速還沒有得到充分的討論和研究。在撰寫本白皮書時，谷歌（Google）和百度（Baidu）都無法搜索到關(guān)于GNN硬件加速的中文研究資料。本白皮書的寫作動機(jī)是將國外最新的GNN算法、對加速技術(shù)的研究以及對基于現(xiàn)場可編程邏輯門陣列（FPGA）的GNN加速技術(shù)的探討相結(jié)合，并以概述的形式呈現(xiàn)給讀者。

對圖神經(jīng)網(wǎng)絡(luò)（GNN）的介紹

在宏觀層面上，GNN的架構(gòu)與傳統(tǒng)CNN有很多相似之處，諸如卷積層、池化、激活函數(shù)、機(jī)器學(xué)習(xí)處理器（MLP）、全連接層（FC layer）等模塊，這些都可以應(yīng)用到GNN。下圖展示了一個相對簡單的GNN架構(gòu)。

圖1：典型的GNN架構(gòu)（來源：https://arxiv.org/abs/1901.00596）

但是，GNN中的圖形數(shù)據(jù)卷積計算與傳統(tǒng)CNN中的二維卷積計算不同。以下圖為例，紅色目標(biāo)節(jié)點的卷積計算過程如下所示：

1、圖卷積 - 使用近鄰函數(shù)對周圍節(jié)點的特征進(jìn)行采樣，并計算平均值。相鄰節(jié)點的數(shù)量是不確定且無序的（非歐幾里得數(shù)據(jù)）

2、二維卷積——使用卷積核對周圍節(jié)點的特征進(jìn)行采樣，并計算加權(quán)平均值。相鄰節(jié)點的數(shù)量是確定且有序的（歐幾里得數(shù)據(jù)）

圖2：圖卷積和二維卷積（來源：https://arxiv.org/abs/1901.00596）

對GraphSAGE算法的介紹

學(xué)術(shù)界對GNN算法進(jìn)行了大量的研究和探討，提出了相當(dāng)多的創(chuàng)新實現(xiàn)方法。其中，由斯坦福大學(xué)（Stanford University）于2017年提出的GraphSAGE是一種歸納表示學(xué)習(xí)算法，用于預(yù)測大規(guī)模圖中動態(tài)的、全新的、未知的節(jié)點類型，還專門針對節(jié)點數(shù)量龐大、節(jié)點特征豐富的圖進(jìn)行了優(yōu)化。如下圖所示，GraphSAGE算法的計算過程可以分為三個主要步驟：

1、相鄰節(jié)點采樣——用于降低復(fù)雜性，一般采樣兩層，每層采樣幾個節(jié)點。

2、聚合——用于嵌入目標(biāo)節(jié)點，即圖的低維向量表示。

3、預(yù)測——使用嵌入作為全連接層的輸入，以預(yù)測目標(biāo)節(jié)點d的標(biāo)簽。

圖3：GraphSAGE算法的可視化表示（來源：http://snap.stanford.edu/graphsage）

1、樣本鄰域

2、聚合來自鄰域的特征信息

3、利用聚合信息預(yù)測圖形情況和標(biāo)簽

為了在FPGA中實現(xiàn)GraphSAGE算法加速，必須了解其數(shù)學(xué)模型，以便將算法映射到不同的邏輯模塊。下圖所示的代碼說明了該算法的數(shù)學(xué)過程。

圖4：GraphSAGE算法的數(shù)學(xué)模型（來源：http://snap.stanford.edu/graphsage）

步驟1：使用近鄰函數(shù)N[}對子圖節(jié)點進(jìn)行采樣。

步驟2：聚合相鄰節(jié)點的特征，例如mean[}、lstm[}、polling[}

步驟3：合并聚合的節(jié)點特征。例如卷積[}

步驟4：非線性激活，例如relu[}

步驟5：使用子圖迭代每個鄰域

步驟6：標(biāo)準(zhǔn)化

步驟7：對每個深度搜索進(jìn)行迭代

步驟8：節(jié)點v的最終節(jié)點嵌入

對于每個要處理的目標(biāo)節(jié)點xv，GraphSAGE算法都會執(zhí)行以下操作：

1、通過近鄰采樣函數(shù)N(v)對子圖中的節(jié)點進(jìn)行采樣。

2、聚合要采樣的相鄰節(jié)點的特征。聚合函數(shù)可以是mean()、lstm()或polling()等。

3、將聚合結(jié)果與上一次迭代的輸出表示合并起來，并使用Wk進(jìn)行卷積。

4、對卷積結(jié)果進(jìn)行非線性處理。

5、多次迭代以結(jié)束當(dāng)前第k層的所有相鄰節(jié)點的處理。

6、對第k層迭代的結(jié)果進(jìn)行標(biāo)準(zhǔn)化處理。

7、多次迭代以結(jié)束對所有K層采樣深度的處理。

8、將最終的迭代結(jié)果zv嵌入到輸入節(jié)點xv。

GNN加速器設(shè)計所面臨的挑戰(zhàn)

GNN算法涉及大量的矩陣計算和存儲訪問操作。在傳統(tǒng)的x86架構(gòu)服務(wù)器上運行這種算法的效率是非常低的，表現(xiàn)為速度慢、能耗高等。

新型圖形處理器（GPU）的應(yīng)用可以顯著提高GNN的計算速度與能效比。但是，GPU在存儲可擴(kuò)展性方面存在短板，使其無法處理圖形中的海量節(jié)點。GPU的指令執(zhí)行方式也會導(dǎo)致計算延遲過大和不確定性；因此，它不適用于需要實時計算圖形的場景。

上面提到的各種設(shè)計挑戰(zhàn)，使得業(yè)界迫切需要一種能夠支持高并發(fā)、實時計算，擁有巨大存儲容量和帶寬，并可擴(kuò)展到數(shù)據(jù)中心的GNN加速解決方案。

基于FPGA設(shè)計方案的GNN加速器

Achronix的Speedster?7t系列FPGA產(chǎn)品（以及該系列的第一款器件AC7t1500）是針對數(shù)據(jù)中心和機(jī)器學(xué)習(xí)工作負(fù)載進(jìn)行了優(yōu)化的高性能FPGA器件，消除了基于中央處理器（CPU）、GPU和傳統(tǒng)FPGA的解決方案中存在的若干性能瓶頸。Speedster7t系列FPGA產(chǎn)品采用了臺積電（TSMC）的7nm FinFET工藝，其架構(gòu)采用了一種革命性的全新二維片上網(wǎng)絡(luò)（NoC）、獨創(chuàng)的機(jī)器學(xué)習(xí)處理器矩陣（MLP），并采用高帶寬GDDR6控制器、400G以太網(wǎng)和PCI Express Gen5接口，在確保ASIC級性能的同時，它為用戶提供了靈活的硬件可編程性。

下圖展示了高性能FPGA器件Speedster7t1500的架構(gòu)。

圖5：Achronix高性能FPGA器件SpeedsterAC7t1500的架構(gòu)

上述特點使Achronix Speedster7t1500器件成為應(yīng)對在GNN加速器設(shè)計中面臨的各種挑戰(zhàn)的完美解決方案。

表1：GNN設(shè)計面臨的挑戰(zhàn)和Achronix Speedster7t1500 FPGA器件提供的解決方案