圖神經(jīng)網(wǎng)絡(luò)小樣本學(xué)習(xí)廣泛應(yīng)用于推薦系統(tǒng)、社交網(wǎng)絡(luò)、物理建模和芯片設(shè)計(jì)等領(lǐng)域，但其硬件實(shí)現(xiàn)面臨著圖數(shù)據(jù)特征提取困難、能耗高以及難以集成等問(wèn)題。 

　　針對(duì)上述問(wèn)題，微電子所重點(diǎn)實(shí)驗(yàn)室科研團(tuán)隊(duì)在40nm 256Kb RRAM 芯片上實(shí)現(xiàn)了圖神經(jīng)網(wǎng)絡(luò)小樣本學(xué)習(xí)的功能驗(yàn)證。在算法層面，研究團(tuán)隊(duì)開(kāi)發(fā)了記憶增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)（Memory-augmented graph neural network, MAGNN）模型。該模型采用具有隨機(jī)固定權(quán)重的回聲狀態(tài)圖網(wǎng)絡(luò)（Echo state graph neural network, ESGNN）作為控制器提取圖數(shù)據(jù)特征，采用二值神經(jīng)網(wǎng)絡(luò)（Binary neural network, BNN）作為編碼器，將全精度圖數(shù)據(jù)特征向量轉(zhuǎn)化為二值特征向量存儲(chǔ)到外部記憶單元中用于檢索。在硬件層面，研究團(tuán)隊(duì)采用40nm 256Kb RRAM芯片以存內(nèi)計(jì)算方式實(shí)現(xiàn)了完整的MAGNN模型（包括控制器、編碼器和外部記憶單元），并在引文網(wǎng)絡(luò)CORA數(shù)據(jù)集上實(shí)現(xiàn)78%的準(zhǔn)確率。相比于傳統(tǒng)數(shù)字系統(tǒng)，基于RRAM芯片的MAGNN模型的核心檢索延時(shí)和推理功耗分別降低70和60倍。 

　　基于該成果的文章“Few-shot graph learning with robust and energy-efficient memory-augmented graph neural network (MAGNN) based on homogeneous computing-in-memory”入選2022 VLSI。微電子所博士生張握瑜為第一作者，尚大山研究員和香港大學(xué)王中瑞博士為通訊作者。 

圖1. 基于RRAM芯片的記憶增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)模型