DAHBM-GCN：一种具有多种数据流和HBM的灵活图卷积网络加速器

《IEEE Transactions on Parallel and Distributed Systems》：DAHBM-GCN: A Flexible Graph Convolution Network Accelerator with Multiple Dataflows and HBM

针对图卷积网络（GCN）在异构图数据集上的计算效率问题，本文提出基于多数据流与高带宽内存（HBM）的DAHBM-GCN加速器。设计支持多数据流、聚合优先与组合优先的智能计算引擎，结合决策树自适应选择最优流；创新性采用伪通道映射优化HBM带宽，缓解内存瓶颈；提出混合量化策略降低计算复杂度与参数量，同时保持精度。实验表明，DAHBM-GCN在CPU上较PyG-GCN、DGL-GCN加速比达52.5-129.3倍，在FPGA上较现有加速器平均提升1.18-2.68倍，兼具高灵活性与低能耗优势。

　　

摘要：

图结构数据已广泛应用于交通、分子和电子商务网络等领域。图卷积网络（GCN）作为一种处理非欧几里得图数据的有效方法应运而生。然而，图数据集的大小和稀疏性各不相同，加之GCN计算中的数据流模式依赖于图数据本身，这使得GCN推理的加速变得越来越具有挑战性。本文提出了一种基于多数据流和高带宽内存（HBM）的GCN推理加速器，命名为DAHBM-GCN。首先，我们设计了一种支持多种数据流顺序（聚合优先和组合优先）的计算引擎。其次，提出了一种基于决策树的自适应选择器，用于选择最优的数据流计算引擎。第三，设计了一种针对多通道HBM的高效伪通道（PC）映射方式，以提升带宽，有效缓解内存延迟和带宽瓶颈问题。第四，引入了一种混合定点量化策略，能够在几乎不损失精度的情况下降低GCN模型的计算复杂度和参数数量。最后，广泛的性能评估实验表明，在各种数据集上，DAHBM-GCN相对于PyG-GCN在CPU上的平均加速比为52.5–129.3倍，相对于DGL-GCN为4.9–7.9倍；与基于FPGA的AWB-GCN、HyGCN、HLS-GCN和GCNAX加速器相比，DAHBM-GCN在各种数据集上的平均加速比分别为1.21–2.21倍、1.25–1.98倍、1.65–2.68倍和1.18–1.56倍。此外，DAHBM-GCN还具有灵活性高和能耗低的优点。