图神经网络（GNNs）在生物医药、知识图谱和AI4S等领域具备应用潜力。随着真实应用场景中图规模扩展至亿级边及以上，GNN训练面临通信开销与计算等问题。

  近日，中国科学院计算机网络信息中心研发了TAC框架，融合数据亲和缓存填充算法、稀疏性感知的混合矩阵存储格式、多层次细粒度训练流水线三大技术，可提升缓存局部性有效降低全局通信开销，并借助Tensor Core实现稀疏矩阵计算加速。实验证明，该框架端到端性能优于其他框架。

  相关研究成果已被第31届ACM SIGPLAN编程语言与并行实践原理年会录用。研究工作得到国家重点研发计划、中国科学院相关项目的支持。

  来源：计算机网络信息中心

  编辑：杨越

  审核：雷建树