Co jsou grafové neuronové sítě a proč na nich záleží

Většina lidí zná neuronové sítě z generování textu nebo rozpoznávání obrázků. Grafové neuronové sítě (GNN) jsou jejich specializovaná varianta — pracují s daty, která mají přirozenou strukturu vztahů. Představte si mapu přátelství na Facebooku, síť bankovních transakcí, nebo metabolické dráhy v buňce. Tyto struktury nelze jednoduše "narovnat" do tabulky nebo obrázku — potřebujete graf.

GNN dnes pohánějí systémy pro detekci podvodů v bankách, doporučovací algoritmy Netflixu, předpovědi počasí nebo hledání nových léků. Čím větší a komplexnější graf, tím přesnější model — ale také tím větší výpočetní a paměťové nároky na hardware.

Problém: GPU nestačí na obří grafy

Moderní GPU karty jsou při trénování AI mimořádně výkonné — ale mají jednu Achillovu patu: omezenou paměť. Zatímco špičková NVIDIA H100 nabídne 80 GB VRAM, reálné produkční grafové datasety mohou mít stovky milionů uzlů a miliardy hran. Celý takový graf se do GPU prostě nevejde.

Dosavadní řešení tento problém "řešila" tak, že část výpočtů přesunula zpět na procesor (CPU). To ale spolklo většinu výkonnostního zisku — GPU čekalo, data se přenášela přes pomalou sběrnici, a trénování se prodražovalo na čase i energii.

Capsule: chytrá správa paměti bez kompromisů

Tým Data Darkness Lab z centra Medical Imaging Intelligence and Robotics Research Center na Univerzitě věd a technologií Číny (USTC) publikoval v únoru 2025 v časopise Proceedings of the ACM on Management of Data práci s názvem „Capsule: An Out-of-Core Training Mechanism for Colossal GNNs".

Klíčová myšlenka: namísto toho, aby se práce "odlila" na CPU, Capsule inteligentně rozdělí graf na menší části a zajistí, aby každá část při zpracování přesně zapadla do dostupné GPU paměti. Jak to dělá?

• Dělení a prořezávání grafu — systém analyzuje strukturu grafu a rozdělí ho na subgrafy tak, aby minimalizoval redundantní data.
• Optimalizace pořadí načítání — Capsule řeší tzv. nejkratší hamiltonský cyklus (problém obchodního cestujícího aplikovaný na subgrafy), aby načítání probíhalo co nejefektivněji a minimalizovalo přesuny dat.
• Pipelining — zatímco GPU trénuje jeden subgraf, CPU na pozadí připravuje další. I/O operace a výpočty běží paralelně.
• Eliminace CPU-GPU přenosů při zpětném šíření chyb — kritická fáze trénování (backpropagation) zůstane celá na GPU, bez nákladných přesunů dat.

Výsledky: 12× rychleji, 4× méně paměti

Srovnání s nejlepšími dosavadními systémy hovoří jasně:

• Rychlost: až 12,02× vyšší výkon oproti state-of-the-art systémům
• Paměť RAM: Capsule potřebuje jen 22,24 % hlavní paměti, kterou spotřebují konkurenční systémy
• Kompatibilita: systém funguje jako plug-and-play doplněk k nejrozšířenějším GNN frameworkům — DGL (Deep Graph Library) a PyG (PyTorch Geometric)

Výzkumníci navíc odvodili teoretické meze variance pro trénovací embeddingy — tedy matematickou záruku, že zjednodušení grafu nesnižuje kvalitu výsledného modelu.

Globální závod o efektivní GNN trénink

Capsule není jediným průlomem v tomto poli. Tým z korejské technické univerzity KAIST publikoval v létě 2025 systém FlexGNN, který dosáhl ještě dramatičtějšího zrychlení — až 95× rychlejší trénování na jediné GPU kartě oproti existujícím technologiím, a to strategickým přesunem dat mezi GPU, RAM a SSD v reálném čase. Publikováno bylo na prestižní konferenci KDD 2025.

Oba projekty — ač využívají odlišné technické přístupy — míří na stejný problém: demokratizovat trénování velkých GNN modelů bez nutnosti investovat do extrémně drahých serverových klusterů s desítkami GPU karet.

Co to znamená pro praxi a Evropu

Grafové neuronové sítě jsou v průmyslu stále více žádané. Banky je nasazují pro detekci podvodů v reálném čase, zdravotnická zařízení pro analýzu pacientských dat a genetických sítí, logistické firmy pro optimalizaci tras. Problém byl vždy stejný: trénovací infrastruktura je příliš drahá pro střední firmy.

Pokud se přístupy jako Capsule nebo FlexGNN dostanou do mainstreamu (a oba jsou integrovatelné do existujících PyTorch/DGL pipeline), otevře to GNN trénink i menším výzkumným týmům a firmám v Evropě, které nemají přístup k datacenterům plným drahých GPU. Pro české a slovenské startupy nebo výzkumné ústavy to může znamenat, že budou moci trénovat specializované GNN modely — například pro analýzu klinických dat nebo síťových anomálií — na výrazně skromnějším hardwaru.

Capsule jako takový je akademický projekt — kód není zatím dostupný jako hotový produkt na komerčním marketplace. Výzkumníci z USTC nicméně zveřejnili práci otevřeně přes ACM a prezentaci na konferenci SIGMOD 2025.

Co jsou frameworky DGL a PyG?

Pro ty, kteří s GNN začínají: DGL (Deep Graph Library) a PyG (PyTorch Geometric) jsou nejpoužívanější open-source knihovny pro práci s grafovými neuronovými sítěmi. DGL vyvíjí Amazon Web Services, PyG vznikl na Technické univerzitě v Mnichově a dnes ho spravuje komunita. Obě knihovny fungují nad PyTorchem a jsou zcela zdarma.