Rapprochement de deux acteurs de l’IA pour une construction de GNN plus rapide

La construction de GNN est une approche relativement nouvelle de l’intelligence artificielle qui est particulièrement adaptée à la modélisation d’objets avec des structures irrégulières. Elle peut être utilisée dans des applications commerciales aussi diverses que la découverte de médicaments ou la détection de fraude.

Comparé à d’autres architectures de calcul dans l’exécution des GNN, Graphcore a démontré des performances exceptionnelles et a remporté des compétitions mettant en concurrence différentes entreprises du secteur. Ces performances ont également été mises à profit de certains laboratoires américains, d’entreprises spécialisées en IA et pour la recherche académique.

Pour la première fois, l’IPU unique de Graphcore intègre PyG dans son logiciel pour permettre aux utilisateurs de créer, porter et exécuter leurs GNN sur des IPU.

PyTorch étant l’une des technologies d’intelligence artificielle open source les plus populaires, cette collaboration représente une avancée dans le développement de l’intelligence artificielle et du deep learning. Le constructeur de semiconducteurs européen met également à disposition une gamme de modèles pouvant être exécutés en tant que notebooks Paperspace Gradient. Celles-ci couvrent la science moléculaire, les réseaux de graphes temporels, la prédiction des graphes de connaissances, etc.

Accélérer l’adoption du GNN grâce à une modification minime du code

Exécuter un modèle PyG grâce à l’IPU de Graphcore, pour la formation ou l’inférence, ne requiert que peu de changement de code par rapport à l’utilisation d’un PyG sur GPU. C’est le principal avantage de cette collaboration.

Les ingénieurs ML de Graphcore expliquent comment optimiser PyTorch Geometric pour obtenir de meilleures performances sur les IPU afin de tirer parti de cette association puissante sur leur blog.