图机器学习调研洞察：PyG与DGL

图神经网络（Graph Neural Networks，GNN）是人工智能领域最火热的课题之一，近年来，越来越多的研究机构和企业投入大量精力研究图神经网络，推出了自己的图学习引擎，并将其广泛应用在社交网络、电商推荐、欺诈检测、知识图谱等领域。目前，主流的开源图学习引擎有DGL，PyG，GraphScope，Angel，PGL等，其基本信息如下：

可以看出，DGL和PyG支持的算法数量最多，且社区活跃度很高，充分反映了它们在图学习领域的受欢迎程度。

除此之外，一款优秀的图学习引擎，其应该具备强悍的训练和推理性能，针对此，我们基于ogbn-products数据集（点规模2449029，边规模61859140，无向同构图，训练集:验证集:测试集=98:1:1，10个epoch，CPU训练）和GCN算法，对上述图学习引擎进行了性能对比测试，测试结果如下：

综合上述测试结果可以看出，DGL性能最好、内存占用最低，PyG和GraphScope表现次之，Angel和PGL表现最差。

图在化学材料领域可以很好的模拟成原子，而边则是原子间的相互作用，相较于传统的神经网络对于原子位置等有更为自然的定义。DGL与PyG在AI for Science领域被广泛的应用在从小分子到大分子的各个尺度的性质预测和模拟之中。