그래프 신경망(GNN)은 엣지 및 모바일 애플리케이션에서 점점 더 널리 사용되고 있으나, GNN 하드웨어의 대규모 메모리 요구사항으로 인해 자원이 제한된 기기에의 배치가 어렵다. 일반적인 해결책은 그래프 분할로, 큰 그래프를 온칩 메모리에 적합한 더 작은 분할로 나눈다. 그러나 이 과정에서는 분할 간에 중복된 노드(halo 노드)가 생성되어 외부 DRAM에 대한 잦고 불필요한 중복 접근을 초래한다. 본 논문은 정확도 저하가 미미한 상태에서 메모리 접근을 줄이기 위한 세 가지 하드웨어 친화적 기법을 도입하는 효율적인 그래프 분할 접근인 SiGNoR을 제시한다. 첫째, 1) 유사도 기반 노드 재사용은 동일 분할 내의 로컬 노드만을 활용함으로써 halo 노드의 불필요한 DRAM 접근을 줄인다. halo 노드의 로컬 노드 대체가 GNN 정확도에 미치는 영향을 추가로 개선하기 위해 2) 다중 단계 그래프 분할을 제안하여, 분할 경계의 영향을 반복적으로 식별하고 모델링함으로써 경계를 정교화한다. 마지막으로 3) 분할 단위 블록 부동소수점(partition-wise block floating-point)을 제시하여 에너지 효율적인 GNN 가속기 하드웨어를 구현한다. 제안하는 분할 단위 블록 부동소수점은 각 분할 내의 모든 노드 특성(feature)에 대해 단일 지수(exponent)를 공유함으로써 메모리 사용량을 감소시킨다. 실험 결과는 SiGNoR이 여섯 개의 실제 그래프 데이터셋에 걸친 GNN에서 평균 DRAM 트래픽을 44.5% 감소시키면서도 정확도 저하가 미미함을 보여준다. 또한 GNN 가속기는 기존 GNN 하드웨어에 비해 최대 2.6배까지 에너지 효율을 향상시킨다.

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