近日，中國科學技術(shù)大學蘇州高等研究院的一項研究成果在國際學術(shù)界引起了廣泛關(guān)注。該研究院下屬的醫(yī)學影像智能與機器人研究中心DDL實驗室，成功研發(fā)出一種名為Capsule的新型圖神經(jīng)網(wǎng)絡(luò)（GNN）訓練框架，這一創(chuàng)新成果已被ACM International Conference on Management of Data（SIGMOD）2025正式收錄。

圖神經(jīng)網(wǎng)絡(luò)作為一種強大的工具，在推薦系統(tǒng)、自然語言處理、計算化學及生物信息學等多個領(lǐng)域展現(xiàn)出了卓越的性能?，F(xiàn)有的主流GNN訓練框架，如DGL和PyG，主要依賴GPU的并行計算能力，從復雜的圖數(shù)據(jù)中高效提取結(jié)構(gòu)信息。然而，隨著圖數(shù)據(jù)規(guī)模的日益增大，GPU顯存容量的限制成為制約GNN系統(tǒng)擴展性的關(guān)鍵因素。

DDL實驗室針對這一難題，提出了Capsule這一核外（Out-of-Core）GNN訓練框架，為大規(guī)模圖數(shù)據(jù)的處理提供了全新的解決方案。Capsule通過創(chuàng)新的圖劃分和圖裁剪策略，確保訓練子圖的結(jié)構(gòu)及特征能夠完全加載到GPU顯存中，從而避免了反向傳播過程中CPU與GPU之間的頻繁I/O操作，顯著提升了訓練效率。

不僅如此，Capsule還采用了基于最短哈密頓回路的子圖加載方式，并引入了流水線并行策略，進一步優(yōu)化了系統(tǒng)的整體性能。這一框架的設(shè)計極具靈活性，能夠無縫集成到現(xiàn)有的主流開源GNN訓練框架中，為用戶提供了極大的便利。

在實際應用中，Capsule展現(xiàn)出了驚人的性能提升。在針對大規(guī)模真實圖數(shù)據(jù)集的測試中，Capsule在僅使用22.24%內(nèi)存的情況下，相比當前最優(yōu)的系統(tǒng)性能提升了最高可達12.02倍。Capsule還首次提供了關(guān)于訓練所得嵌入方差的理論上界，為GNN的訓練和應用提供了更為堅實的理論基礎(chǔ)。

DDL實驗室的這一研究成果，標志著我國在圖計算系統(tǒng)領(lǐng)域取得了重大突破。Capsule框架的推出，將為社交網(wǎng)絡(luò)分析、生物醫(yī)學圖譜構(gòu)建等需要處理超大規(guī)模圖數(shù)據(jù)的應用場景提供強有力的技術(shù)支持，推動我國相關(guān)領(lǐng)域的研究和應用邁向新的高度。