图神经网络 (GNN) 是一种深度学习模型，非常适合处理以图形式表示的数据，这些数据将特征向量与节点和边相关联。GNN 是一个不断发展的研究领域，在复杂网络分析、关系推理、组合优化、分子生成以及许多其他领域都有广泛的应用。
GraphNeuralNetworks.jl 是一个纯粹的 Julia 包，用于 GNN，它配备了众多功能。它实现了常见的图卷积层，并支持 CUDA 和图批处理，以便进行快速并行操作。该包可以通过多种方式进行改进。
包含数百万个节点的图对于 GPU 内存来说太大。类似于 GraphSAGE 算法，可以在子图上进行小批量训练。
持续时间：350 小时。
预期难度：困难。
预期结果：用于将 GNN 训练扩展到非常大图的必要算法组件。
虽然我们实现了各种图卷积层，但仍然有大量图卷积层需要实现。还可以考虑预处理工具、池化操作符和其他与 GNN 相关的功能。
持续时间：175 小时。
预期难度：容易到中等。
预期结果：用各种新的层和操作符丰富包。
作为文档的一部分，并为了启动新的项目，我们希望添加完整的工作示例和图神经网络的应用。我们可以从入门级教程开始，逐步向读者介绍更高级的功能。
持续时间：175 小时。
预期难度：中等。
预期结果：一些图神经网络应用的教学和更高级的示例。
为 MLDatasets.jl 中的常用图数据集提供 Julia 友好的包装器。为 Julia ML 和数据生态系统创建便捷的接口。
持续时间：175 小时。
预期难度：容易。
预期结果：Julia 生态系统可以轻松访问的大量图数据集。
在一些复杂网络中，边表示的关系可以是不同类型的。我们目前通过 GNNHeteroGraph 类型支持这一点，但目前没有图卷积层支持异构图作为输入。在这个项目中，我们将为异构图实现一些层。
持续时间：175 小时。
预期难度：中等。
预期结果：为异构网络实现新的图类型和相应的图卷积层。
许多图卷积层可以用涉及邻接矩阵的非物化代数运算来表示，而不是使用更慢且更占用内存的 gather/scatter 机制。我们的目标是尽可能扩展这些融合实现，并且以 GPU 友好的方式进行扩展。
持续时间：350 小时。
预期难度：困难。
预期结果：许多图卷积操作的性能显著提高。
我们目前仅支持 CPU 和 CUDA 硬件上的 scatter/gather 操作。我们的目标是利用 KernelAbstractions.jl、AMDGPU.jl 和 Metal.jl 将其扩展到 AMDGPU 和 Apple Silicon。
持续时间：175 小时。
预期难度：中等。
预期结果：AMD GPU 和 Apple 硬件的图卷积加速，性能大致与 CUDA 相当。
时序图是指其拓扑结构随时间变化的图。我们目前通过 TemporalSnapshotsGNNGraph 类型支持这一点，但目前没有图卷积和池化层支持时序图作为输入。目前，有一些卷积层可以接受具有时序特征的静态图的特殊情况作为输入。在这个项目中，我们将实现接受时序图作为输入的新层，并将创建演示如何使用它们的教程。
持续时间：350 小时。预期难度：中等。预期结果：为时序图实现新的卷积层以及示例教程。
熟悉图神经网络和 Flux.jl。
Carlo Lucibello（GraphNeuralNetworks.jl 的作者）。欢迎在 Julia Slack 工作区 联系我们或在 GitHub 仓库中打开问题。