韓国科学技術院(KAIST)は8月13日、コンピューティング学部(School of Computing)のキム・ミンソ(Min-Soo Kim)教授の研究チームが、単一のGPUサーバーでグラフ構造データを扱うニューラルネットワーク(GNN)モデルが高速で学習できる最高性能のソフトウェア技術を開発したと発表した。

KAISTのキム・ミンソ(Min-Soo Kim)教授(右)と研究チームメンバーら
(出典：KAIST)

近年、気候、金融、医療、製薬、製造、物流などさまざまな分野において、データをノードとエッジで構成されるグラフ形式に変換し、分析や予測を行うことが増えている。開発されたシステムはFlexGNNと呼ばれ、複数のGPUサーバーを使う既存の方式とは異なり、単一のGPUサーバーで大規模なフルグラフAIモデルが迅速に学習し推論する。これは既存の技術と比較して、学習速度が最大95倍向上した。

グラフ全体を使ってトレーニングするフルグラフアプローチは、高い精度を実現する一方、トレーニング中にメモリ不足が頻繁に発生したり、複数のサーバー間でデータ通信を行うため学習時間が長くなる。これらの問題を克服するため、FlexGNN はソリッドステートドライブ(SSD)とメインメモリを活用し、単一のGPUサーバーで最適なAIモデルのトレーニングを実行する。

研究チームは、データベースシステムの品質を最適化するAIクエリ最適化トレーニングにおいて、GPU、メインメモリ、SSDの間でモデルパラメータやトレーニングデータ、中間データを最適なタイミングと方法で計算する新しい最適化技術を開発した。FlexGNNはデータサイズやモデル規模、GPUメモリなどのリソースに応じて、トレーニングの最適な実行計画を生成し、高いリソース効率とトレーニング速度を可能にした。この技術によって、スーパーコンピューターを超える高精度な解析が可能なフルグラフAIの実現が現実味を帯びてきた。

同教授は、「フルグラフGNNモデルが気象予測や新素材の発見など、複雑な問題解決に活用される中、関連技術の重要性が高まっています。FlexGNNがグラフAIモデルの学習規模と速度の課題を劇的に改善したため、今後さまざまな業界で幅広く活用されることが期待されます」と述べた。

サイエンスポータルアジアパシフィック編集部