3BSE018157R1

厦门阿米控技术有限公司 手机:18020776785 联系人：徐亚婷 QQ：2851195472  座机：0592-5087595 详细地址：厦门市思明区湖滨南路388号32D之六（国贸大厦32楼）

阿米控提供控制系统零部件，产品服务于用户安装的控制系统。集散控制系统，可编程控制器，面板控制器和驱动器，我们提供快捷方便备件供应！

得益于大数据的兴起以及算力的快速提升，机器学习技术在近年取得了革命性的发展。在图像分类、语音识别、自然语言处理等机器学习任务中，数据为大小维度确定且排列有序的欧氏(Euclidean)数据。然而，越来越多的现实场景中，数据是以图(Graph)这种复杂的非欧氏数据来表示的。Graph不但包含数据，也包含数据之间的依赖关系，比如社交网络、蛋白质分子结构、电商平台客户数据等等。数据复杂度的提升，对传统的机器学习算法设计以及其实现技术带来了严峻的挑战。在此背景之下，诸多基于Graph的新型机器学习算法—GNN(图神经网络)，在学术界和产业界不断的涌现出来。

GNN对算力和存储器的要求非常高，其算法的软件实现方式非常低效，所以业界对GNN的硬件加速有着非常迫切的需求。我们知道传统的CNN(卷积神经网络网络)硬件加速方案已经有非常多的解决方案;但是，GNN的硬件加速尚未得到充分的讨论和研究，在本文撰写之时，Google和百度皆无法搜索到关于GNN硬件加速的中文研究。本文的撰写动机，旨在将国外好新的GNN算法、加速技术研究、以及笔者对GNN的FPGA加速技术的探讨相结合起来，以全景图的形式展现给读者。

XS1 N12PB349D

IFM, IFS206, IFB3004BAPKG/M/US-104-DPO

Murr Elektronic, 4027013, 31112, 146708-1

Square D, 52046-344-53

IFA2002-FRKG/US-100-IRF

Telemecanique, LR2D1514

Eaton, HT8CBR

Turck, Bi1.5-EG08K-AP6X

Cutler Hammer, E57MAL12T111

Turck, NI14-G18-AP4X/CS10187

IFM, IF5765, IFA2004-FRKG

Parker, HFHFHK-16

Gould Shawmut, TRS400R

GE Fanuc 44C741873-001R01 

NTE RS3-1D75-21

9999SA2