NGDB-Zoo: Effizientes, skalierbares Training neuronaler Graphdatenbanken

Neurale Graphdatenbanken (NGDBs) ermöglichen komplexe logische Schlussfolgerungen über unvollständige Wissensstrukturen, stoßen jedoch bei der Trainingsgeschwindigkeit und Ausdruckskraft an Grenzen. Mit dem neuen Framework NGDB‑Zoo werden diese Engpässe durch die Kombination von operator‑basiertem Training und semantischer Erweiterung überwunden.

Durch die Trennung von logischen Operatoren von der Abfragearchitektur wandelt NGDB‑Zoo den Trainingsprozess in einen dynamisch geplanten Datenfluss um. Das Ergebnis ist ein Multi‑Stream‑Parallelismus, der die Durchsatzrate im Vergleich zu bestehenden Ansätzen um 1,8‑ bis 6,8‑fach steigert.

Ein weiteres Highlight ist die dezentrale Architektur, die hochdimensionale semantische Vorwissen aus vortrainierten Textencodern integriert, ohne I/O‑Verzögerungen oder Speicherüberläufe zu verursachen. In umfangreichen Tests an sechs Benchmarks – darunter die großen Graphen ogbl‑wikikg2 und ATLAS‑Wiki – zeigt NGDB‑Zoo eine konstante GPU‑Auslastung und reduziert die Repräsentationsreibung in hybriden neuro‑symbolischen Systemen erheblich.