그래프 컨볼루션 네트워크(Graph Convolutional Network, GCN) 모델은 그래프 데이터 해석에서 높은 정확도를 바탕으로 주목받고 있다. GCN 모델의 주요 구성 요소 중 하나는 집계(aggregation)이며, 이는 각 정점에 인접한 정점들이 대응하는 특징 벡터를 수집하고 평균내는 과정을 의미한다. 집계는 인접 행렬과 특징 행렬을 곱함으로써 수행된다. 두 행렬 모두의 크기는 온칩 캐시 용량을 초과하며, 인접 행렬은 매우 희소하다. 이로 인해 데이터 재사용이 거의 일어나지 않아 집계 과정에서 다수의 주기억장치(main-memory) 접근이 발생한다. 따라서 집계는 메모리 집약적 특성을 보인다. 본 연구에서는 DRAM 데이터패스(datapath) 인근에 처리 요소를 배치하여 랭크(rank) 수준 병렬성을 활용함으로써 메모리 집약적인 집계 연산을 가속하는 NDP 아키텍처인 GraNDe를 제안한다. 연산자 행렬(operand matrices)의 데이터 매핑을 DRAM 랭크에 대응시켜 탐색한 결과, 최적 매핑은 특정 GCN 층의 구성에 따라 달라짐을 발견하였다. 층별 최적 매핑 방식을 적용함으로써, GraNDe는 오픈 그래프 벤치마크(open-graph benchmark) 데이터셋에서 기준 시스템(baseline system) 대비 최대 4.3×의 속도 향상을 보인다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.