技術(shù)特征：

1.一種圖卷積神經(jīng)網(wǎng)絡(luò)聚合計(jì)算加速裝置，其特征在于，所述裝置包括：前置模塊、片外存儲(chǔ)模塊、聚合控制單元、源節(jié)點(diǎn)特征存儲(chǔ)模塊、塊偏移存儲(chǔ)模塊、邊存儲(chǔ)模塊、邊預(yù)取器、數(shù)據(jù)分配模塊、源節(jié)點(diǎn)特征導(dǎo)航模塊、目的節(jié)點(diǎn)特征存儲(chǔ)模塊、聚合計(jì)算單元；

2.一種基于權(quán)利要求1所述圖卷積神經(jīng)網(wǎng)絡(luò)聚合計(jì)算加速裝置實(shí)現(xiàn)的聚合計(jì)算加速方法，其特征在于，所述方法包括：

3.如權(quán)利要求2所述的圖卷積神經(jīng)網(wǎng)絡(luò)聚合計(jì)算加速方法，其特征在于，所述步驟s1中壓縮步驟包括：

4.如權(quán)利要求2所述的圖卷積神經(jīng)網(wǎng)絡(luò)聚合計(jì)算加速方法，其特征在于，所述圖卷積神經(jīng)網(wǎng)絡(luò)算法每層數(shù)據(jù)運(yùn)算關(guān)系為：

5.如權(quán)利要求2所述的圖卷積神經(jīng)網(wǎng)絡(luò)聚合計(jì)算加速方法，其特征在于，所述步驟s3中的邊預(yù)取步驟包括：

6.如權(quán)利要求2所述的圖卷積神經(jīng)網(wǎng)絡(luò)聚合計(jì)算加速方法，其特征在于，所述步驟s4中的數(shù)據(jù)分配步驟包括：

7.如權(quán)利要求2所述的圖卷積神經(jīng)網(wǎng)絡(luò)聚合計(jì)算加速方法，其特征在于，所述步驟s5中的特征導(dǎo)航步驟包括：源節(jié)點(diǎn)特征導(dǎo)航和目的節(jié)點(diǎn)特征導(dǎo)航：

8.如權(quán)利要求2所述的圖卷積神經(jīng)網(wǎng)絡(luò)聚合計(jì)算加速方法，其特征在于，所述步驟s6中的聚合計(jì)算步驟包括：

9.如權(quán)利要求2所述的圖卷積神經(jīng)網(wǎng)絡(luò)聚合計(jì)算加速方法，其特征在于，所述步驟s7中的特征更新步驟包括：

10.如權(quán)利要求2所述的圖卷積神經(jīng)網(wǎng)絡(luò)聚合計(jì)算加速方法，其特征在于，所述步驟s8中的迭代計(jì)算步驟包括：

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種圖卷積神經(jīng)網(wǎng)絡(luò)聚合計(jì)算加速裝置及方法，涉及圖神經(jīng)網(wǎng)絡(luò)硬件加速領(lǐng)域，該裝置通過(guò)CSB編碼壓縮圖鄰接矩陣，源節(jié)點(diǎn)特征與壓縮后的圖鄰接矩陣一同存入片外存儲(chǔ)模塊；聚合控制單元從片外存儲(chǔ)模塊加載數(shù)據(jù)并進(jìn)行調(diào)度；邊預(yù)取器根據(jù)塊偏移信息控制邊數(shù)據(jù)的加載，數(shù)據(jù)分配模塊將數(shù)據(jù)傳遞至計(jì)算單元；聚合計(jì)算單元根據(jù)源節(jié)點(diǎn)特征與邊值進(jìn)行計(jì)算，更新目的節(jié)點(diǎn)特征，并將結(jié)果寫回存儲(chǔ)模塊；該方法包括對(duì)圖數(shù)據(jù)進(jìn)行壓縮、數(shù)據(jù)加載、邊預(yù)取、數(shù)據(jù)分配、特征計(jì)算和目的節(jié)點(diǎn)特征更新等步驟，以提高圖卷積神經(jīng)網(wǎng)絡(luò)聚合階段的計(jì)算效率。

技術(shù)研發(fā)人員：倪偉,王帆,楊晟基,宋宇鯤,張多利
受保護(hù)的技術(shù)使用者：合肥工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15