面向非CUDA处理单元的PyTorch几何学习：基于Intel Gaudi-v2 HPU的实践经验

几何学习已成为建模非欧几里得数据（尤其是图结构数据）的强大范式，广泛应用于社交网络、分子结构、知识图谱和推荐系统等领域。虽然Nvidia的CUDA加速图形处理单元（GPU）在硬件领域占据主导地位，但如Intel的Gaudi Habit Processing Units（HPU）等新兴加速器提供了竞争性能和能效。然而，使用此类非CUDA处理单元需要大量工程工作和软件适配。在本工作中，我们报告将基于PyTorch的几何学习框架移植到Gaudi-v2 HPU上的经验。我们引入一系列核心工具，在Gaudi-v2 HPU上恢复关键操作（如scatter、稀疏索引、k最近邻），并整合十六个引导教程和十一个真实世界示例，配以失效分析和详细解决方案。我们将所有经验收录于公开GitHub仓库。我们的贡献降低了研究人员在非CUDA硬件上实验几何学习算法和模型的门槛，为进一步优化和跨平台可移植性提供了基础。