Работа получила статус одного из главных открытий на проходящей на этой неделе престижной международной научной конференции ICML 2026, сообщила ТАСС пресс-служба «Яндекса».
«Наше решение эффективно работает на системах любого размера, так как затрагивает самый близкий к железу уровень оптимизации — ускорение операций, исполняемых на GPU (графических процессорах — прим. ТАСС). Поэтому ускорение происходит в рамках одной GPU, и на системе из тысяч — ускорение будет на каждой из них. К тому же, наше решение позволяет обучать модели, используя меньше GPU по сравнению со стандартными методами», — пояснил исследователь Yandex Research Федор Великонивцев, чьи слова приводит пресс-служба «Яндекса».
Как отмечают Великонивцев и его коллеги, графовые нейросети широко используются в рекомендательных системах, поиске, анализе социальных сетей, транспортных данных, финансовых сервисах и других задачах, где важно учитывать связи между объектами. Однако при работе на современных графических процессорах их производительность часто ограничивается не вычислительной мощностью, а скоростью обмена данными между GPU и памятью.
Для преодоления этой проблемы ученые изучили то, какие операции чаще всего используются в работе графовых нейросетей, и создали более эффективные реализации самых ресурсоемких шагов расчета с учетом того, насколько активно они используют вычислительные ресурсы и системы ввода-вывода данных. Это позволило создать новые версии этих «стройблоков» ИИ, которые реже обращаются к внешним данным и используют наиболее быстродействующие и близкие к ним блоки памяти и других ресурсов.
Последующие эксперименты показали, что данные оптимизации ускорили работу отдельных графовых моделей до 8,5 раза, снизили пиковое потребление памяти до 76 раз, а для ряда других операций обеспечили ускорение в 3,9−10 раз. Как отметили в компании, все разработанные компоненты опубликованы в открытом доступе в виде набора GPU-операций для популярных пакетов работы с нейросетями на графических процессорах и могут использоваться в существующих моделях без изменения их архитектуры.
«Также мы выигрываем относительно размера графов, которые можно помещать в память GPU, так как нам нужно в разы меньше памяти, чем предыдущим решениям. Из-за чего я ожидаю, что мы можем дополнительно масштабировать работу», — подытожил Великонивцев.
