图神经网络（Graph Neural Networks, GNNs）在生物医药、知识图谱和AI4S等关键领域展现出巨大潜力，随着真实应用场景中图规模迅速扩展至亿级边甚至更高，GNN训练面临通信开销与计算瓶颈等相关问题。

近日，我中心人工智能部研发了TAC框架，系统性地融合了数据亲和缓存填充算法（Affinity-aware Caching Initialization Algorithm，ACI）、稀疏性感知的混合矩阵存储格式（HybridMatrix）以及多层次细粒度训练流水线三大关键技术。TAC 通过提升缓存局部性有效降低全局通信开销，并借助 Tensor Core 高效加速稀疏矩阵计算。实验证明端到端性能相比其他框架显著提升。

该研究成果已被第31届ACM SIGPLAN编程语言与并行实践原理年会（PPoPP 2026）录用。PPoPP是CCF推荐A类会议，也是高性能计算与系统领域的顶级学术会议。本工作得到国家重点研发计划、中国科学院先导专项的支持。论文第一作者为我中心工程师梁智强，通讯作者为王珏正高级工程师和王彦棡研究员，博士研究生高宏宇为共同第一作者。

TAC 框架系统架构图

混合稀疏矩阵格式

相关成果：

[1] Zhiqiang Liang，Hongyu Gao，Jue Wang，Fang Liu，Xingguo Shi，Junyu Gu，Peng Di，San Li，Lei Tang，Chunbao Zhou，Lian Zhao，Yangang Wang，Xuebin Chi. TAC: Cache-based System for Accelerating Billion-Scale GNN Training on Multi-GPU Platform. ACM SIGPLAN Symposium on Principles & Practice of Parallel Programming（PPoPP’26）.

责任编辑：郎杨琴