Autor: Lucas de Angelo Martins Ribeiro (Currículo Lattes)
Resumo
O processamento de grafos podem ser aplicados em diversas áreas da sociedade, tecnologia, indústria e ciência de modos a extrair conhecimento de dados do mundo real. Com o crescimento do entendimento e da aplicação de Inteligência Artifical, áreas derivadas surgiram com o intuito de explorar a aplicação de grafos a partir de mecanismos inteligentes, como sistemas de recomendação, redes sociais, entre outros. Neste contexto, inúmeros modelos e frameworks para uso de redes neurais de grafos emergiram, expandindo a atuação destes mecanismos. Apesar do grande avanço nos estudos das redes neurais de grafos visando obter melhores valores de precisão nos modelos, a análise de recursos para o processamento destes modelos ainda é um campo que pode ser mais explorado, de modo a se obter maior entendimento destes sistemas à partir de uma perspectiva de arquitetura e ambiente de execução. Neste trabalho, foi realizada uma análise quantitativa do consumo de recursos de hardware durante a fase de treinamento de redes neurais para grafos, levando-se em conta possíveis ganhos com o uso de aceleradores em GPU, quando avaliados datasets de constituições diferentes. Os modelos GCN e GraphSAGE foram utilizados como objeto de estudo neste trabalho, com implementações no framework PyTorch Geometric. Como resultado, observou-se um ganho significativo no tempo de processamento destes modelos quando utilizados aceleradores em GPU, além de variações significativas nos pontos de alta utilização dos recursos base. Notou-se também que, datasets de diferentes constituições estruturais (por exemplo número de arestas e grau médio dos nós) podem apresentar também grandes variações nos resultados.