之江实验室计算天文（之江实验室朱雀）

之江实验室计算天文（之江实验室朱雀）如果药物种类逐渐增加，两两配对，那实验难度可以呈指数上升。正如 OGB 比赛中的项目一样，如果有 130 万种药物呢？图计算通过分析不同药物之间的相关关系，精准预测具有联合作用的药物，筛选之后再针对性的进行实验研究，大大节约了成本。根据团队核心成员吕劲松博士介绍，如果不采用图计算、图机器学习技术，而是用传统的矩阵分解算法，上述问题只有 13.68% 的准确率，众多科技爱好者耳熟能详的图卷积神经网络算法 GCN，也只能达到 37% 准确度。以图计算解决联合药物作用分析为例。A 与 B 两种药，如果联合用药，是毒性还是更好的疗效？判定这样的问题，如果仅仅依靠实验筛选，费时费力，成本很高。OGB 挑战赛在 2019 年由斯坦福大学发起，这项比赛以难度高、规模大、场景复杂著称，素有图学习领域“ImageNet”之称，吸引了大量国际顶尖实验室参赛。在之江实验室“朱雀”团队夺冠的这次比赛中，他们需要完

在计算机科学的前沿，中国团队斩获国际权威赛事的冠军。近日，之江实验室“朱雀”图计算团队以绝对优势获得国际顶级图学习标准 OGB（Open Graph Benchmark）挑战赛全球冠军，该成绩刷新了保持近一年的世界纪录。这次获奖也表明，在图计算领域，中国科研实力已经走在全球前列。

首先，图计算中的“图”，不是图片的“图”，而是图论的“图”。很多读者对“图论”很陌生，但一定听说过“七桥问题”，这个故事广泛流传于国内中学教材里。柯尼斯堡“七桥问题”讲述的是能否通过“一笔画”的方式，从任何一座桥出发，穿越七座桥再回到原点。欧拉之后，直到上世纪 60 年代才出现随机图理论，图论开始走向实际应用。

因此，从“七桥问题”引申出来，图计算研究的是事物与事物之间的关系，对其进行描述、刻画、分析和计算的一门技术。正是在这项技术上，来自之江实验室的中国团队一举获得全球冠军。

▲图 | 之江实验室“朱雀”团队参赛核心成员（来源：之江实验室）

OGB 挑战赛在 2019 年由斯坦福大学发起，这项比赛以难度高、规模大、场景复杂著称，素有图学习领域“ImageNet”之称，吸引了大量国际顶尖实验室参赛。在之江实验室“朱雀”团队夺冠的这次比赛中，他们需要完成的任务是要在 130 多万个药物-药物相互作用中，精准预测具有联合作用的药物（意味着要排除有害、或者无效的联合用药组合）。该团队本次夺冠，不仅是图计算算法有效性得到了验证，鉴于该比赛试题的“应用性”，也充分体现了图计算在实际工程领域的巨大应用潜力。

神秘的图计算，到底能用在哪些地方？

图计算看似神秘，和人们生活遥远，这不过是“不识庐山真面目，只缘身在此山中”，图计算几乎涉及到我们日常生活的方方面面。“朱雀”团队的夺冠模型告诉我们，它能大大加快新药物的研发流程，造福每一个人。此外，我们日常使用的在线购物平台、社交媒体软件乃至银行反欺诈，其中图计算都起到了关键作用。

以图计算解决联合药物作用分析为例。A 与 B 两种药，如果联合用药，是毒性还是更好的疗效？判定这样的问题，如果仅仅依靠实验筛选，费时费力，成本很高。

如果药物种类逐渐增加，两两配对，那实验难度可以呈指数上升。正如 OGB 比赛中的项目一样，如果有 130 万种药物呢？图计算通过分析不同药物之间的相关关系，精准预测具有联合作用的药物，筛选之后再针对性的进行实验研究，大大节约了成本。根据团队核心成员吕劲松博士介绍，如果不采用图计算、图机器学习技术，而是用传统的矩阵分解算法，上述问题只有 13.68% 的准确率，众多科技爱好者耳熟能详的图卷积神经网络算法 GCN，也只能达到 37% 准确度。

“朱雀”团队采用了基于路径感知的孪生图神经网络 PSG 算法，最终获得 92% 的预测准确率，将预测误差的小数点又移动了一位，降低到了千分位，大幅提升了算法稳定性。

图计算在电商中的应用也取得非常好的效果。人们在购物的时候，往往会得到不同平台的推荐，这些推荐的商品基于平台数据模型对某个消费者的认知。因此推荐的成功率非常重要。在用户端，我们看到的仅仅是一个推荐，但是背后是巨大的运算量和复杂的模型。“朱雀”团队特聘专家李朝介绍说，在应用图相关技术之前，电商对消费者的判断往往用内容标签和低阶模型的办法，即用一些关键词结合用户行为建模来对不同个体进行描述和刻画，这样的方式忽略了节点的高阶信息以及节点之间的非线性关系，而这恰恰是图计算的长处。基于更精准的模型，现在电商的推荐模型命中率已经上升到了 70%-80%，换言之，模型可能比你更懂你。

除了能够加速制药、提升购物体验，在保证消费者“钱包安全”方面，图计算一样功不可没，这就是反欺诈。根据相关专业机构的统计，在支付场景中有 10%-30% 的风险来自于团伙欺诈，在 ATO 场景下更是超过 50%。

近几年电信诈骗猖獗，各种骗子的欺诈手法也越来越多、越来越高明。根据微信披露的数据，传统的打标签、描述用户画像的做法已经遭遇了痛点。诈骗手法越来越多，对用户的行为、特征描述事物标签量也随之剧增。仅仅在微信支付，特征数量已达到 6 位数。分析一个人的消费习惯，以前是按天分析、后来按照小时分析，特征和特征之间还能做交叉，如此下去，特征越多，效果提升反而越慢，而且计算成本、存储成本越来越高。这是传统方法面临的难题，也是图计算可以解决的问题。

图计算所带来的，是从个体的特征工程到全局的网络工程的转变。这种新视界，摆脱了此前的基于特征的传统分析模式，能够更快速、更准确的识别欺诈行为。

图计算是研究事物之间关系的学问：药物之间的关系，消费行为之间的关系，欺诈模式之间的关系。由此不难理解，图相关技术也会在我们的社交媒体中得到广泛应用。在社交网络数据上构建图模型后，可以深入挖掘个体之间的联系，比如发现潜在的黑客、挖掘社区、根据爱好更精准推荐好友等等。

图计算的未来，不可限量

图计算可以应用于相当多的主流行业。除了我们提到的金融、社交、制造，其在能源行业、制造业甚至脑科学中同样有用武之地。以电网为例，如今电网规模之大、不同设备、区域之间关联关系之复杂，已经超出了一般模型的分析能力。图计算可以帮助电网进行实时、高效的管理，提升输电、配电效率。著名咨询公司 Gartner 在《2021 年十大数据和分析技术趋势》报告中预测，到 2025 年图计算技术将应用于 80% 的数据和分析创新。

中国工程院院士、清华大学计算机科学与技术系教授郑纬民强调：“现在布局高性能图计算恰逢其时，就相当于抓住了未来大数据、人工智能和高性能计算产业发展的牛鼻子，其影响不可估量。”

清华大学计算机系教授、蚂蚁集团图计算技术负责人陈文光，也曾表示，“图计算不仅仅只是一个技术，更是一种理解世界新的方式”。

图计算应用前景广阔，原因在于其就像“万金油”一般，可以和很多当今前沿的新兴技术发生化学反应。

如图技术与机器学习结合而出现的图机器学习，前者体现的是“连接主义”，后者则是“人工智能符号主义”。传统的机器学习具有可解释性低下、缺乏非欧空间数据结构处理能力等问题，图结构数据有可能成为解决方案之一。融合了图结构数据和机器学习技术的图神经网络（GNN），可以将人类认知以图的形式和计算机建立的神经网络相结合，探索人工智能更强大的潜力。

在图计算上的突破，只是“朱雀”团队众多科研创新成果的一部分。

获得本次 OGB 冠军的团队之江智能图计算平台负责人陈红阳告诉 DeepTech，除了图计算在制药领域的研究进展，目前团队也在积极探索图 其他领域的融合。比如在国产芯片领域，如何将图计算应用于存算一体的芯片，期望未来三年能看到成果。

目前，该团队既有来自全球知名高校的学者，也有来自头部科技公司的行业专家。近年来在智能计算、数据挖掘和深度学习等领域取得了重大进展。此次 OGB 夺冠是团队多年深耕基础科学研究的必然回报。

▲图｜之江实验室“朱雀”团队合照

在谈到科研细节时，之江实验室图计算研究中心高级研究专员吕劲松博士介绍，这次能够开发出识别准确率高达 92% 的模型有一些运气，更多的是因为坚持。在攻关之处，尝试了多种方式，期望在上一年冠军模型基础上进行优化，最终结果反而更差了。在思考节点与节点关系上，研究人员举了这样一个例子，“这就好比判断全球任意两个人之间是不是潜在的朋友关系，这是很难穷举的。但后来有人提出能否通过第三者、中间人的存在去判断，由此打开了思路”。但这种猜想很可能是错的，抱着试一试的态度，团队成员沿着这条路线走了下去，最终获得成功。

“大胆假设，小心求证”不仅是做学问的原则，也是科研的原则。只有秉承这样的精神，加之持之以恒的品质，中国的实验室将有望在全球更多基础科学领域获得更大的成就。