图神经网络小样本学习广泛应用于推荐系统、社交网络、物理建模和芯片设计等领域，但其硬件实现面临着图数据特征提取困难、能耗高以及难以集成等问题。
针对上述问题，微电子所重点实验室科研团队在40nm 256Kb RRAM 芯片上实现了图神经网络小样本学习的功能验证。在算法层面，研究团队开发了记忆增强图神经网络（Memory-augmented graph neural network, MAGNN）模型。该模型采用具有随机固定权重的回声状态图网络（Echo state graph neural network, ESGNN）作为控制器提取图数据特征，采用二值神经网络（Binary neural network, BNN）作为编码器，将全精度图数据特征向量转化为二值特征向量存储到外部记忆单元中用于检索。在硬件层面，研究团队采用40nm 256Kb RRAM芯片以存内计算方式实现了完整的MAGNN模型（包括控制器、编码器和外部记忆单元），并在引文网络CORA数据集上实现78%的准确率。相比于传统数字系统，基于RRAM芯片的MAGNN模型的核心检索延时和推理功耗分别降低70和60倍。
基于该成果的文章“Few-shot graph learning with robust and energy-efficient memory-augmented graph neural network (MAGNN) based on homogeneous computing-in-memory”入选2022 VLSI。微电子所博士生张握瑜为第一作者，尚大山研究员和香港大学王中瑞博士为通讯作者。
图1. 基于RRAM芯片的记忆增强图神经网络模型
综合信息