突破性技術！Capsule革新大規模圖神經網路訓練效能

中國科學技術大學蘇州研究院的「資料暗物質實驗室」（DDL）研究團隊，在《ACM資料管理學報》發表了一項革命性研究成果。他們開發出全新的「外存機制」（out-of-core）系統Capsule，能大幅提升大規模圖神經網路（GNN）的訓練效率，執行效能最高可達現有頂尖外存GNN系統的12.02倍，同時僅需22.24%的主記憶體用量。

圖神經網路近年來在推薦系統、自然語言處理、計算化學與生物資訊等領域展現強大潛力。主流訓練框架如DGL和PyG都仰賴GPU的平行運算能力來提取圖形資料的結構資訊。然而，GPU記憶體容量有限，難以處理大規模圖形資料，這成為現有GNN系統面臨的重大挑戰。

為解決此問題，DDL團隊提出創新的Capsule外存訓練框架。與現有系統不同，Capsule透過圖形分割與剪枝策略，徹底消除反向傳播過程中CPU與GPU之間的I/O負擔，確保訓練子圖結構及其特徵能完整載入GPU記憶體，從而顯著提升系統效能。

此外，Capsule還具備兩大技術亮點：一是基於最短漢密爾頓迴路的子圖載入機制，二是管線平行化策略。更值得一提的是，這套系統採用「隨插即用」設計，能無縫整合主流開源GNN訓練框架。

在實際大規模圖形資料集的測試中，Capsule表現優異，不僅效能最高提升12.02倍，記憶體用量更僅需競爭對手的22.24%。同時，這項研究還為訓練過程中產生的嵌入變異提供了理論上限，為處理龐大圖形結構與有限GPU記憶體之間的矛盾開闢了新途徑。

[end]