非負矩陣分解是挖掘高維數據潛在結構的核心技術，廣泛應用于推薦系統(tǒng)、生物信息學、圖像處理等多個領域。北京大學人工智能學院孫仲研究員團隊瞄準這一技術，設計了一種模擬計算芯片，為大規(guī)模數據處理提供了全新高效方案。和當前先進數字芯片相比，計算速度可提升約12倍，能效比提升超過228倍，相關成果已于近日發(fā)表于《自然·通訊》。 

孫仲1月22日告訴科技日報記者，非負矩陣分解是一種強大的“數據降維”技術。它能從巨量且龐雜的用戶行為、圖像像素等信息中，提煉出潛在的模式與特征，在圖像分析、信息聚類、個性化推薦等領域具有廣泛應用。但面對如今動輒百萬級規(guī)模的數據集，傳統(tǒng)數字硬件受計算復雜度和內存瓶頸限制，難以滿足實時處理需求。 

孫仲團隊一直研究模擬計算。模擬計算直接利用物理定律實現并行運算，延時低、功耗低，在算力瓶頸背景下，具有先天優(yōu)勢。團隊此次研制出了基于阻變存儲器（RRAM）的非負矩陣分解模擬計算求解器，并創(chuàng)新性設計了一種可重構緊湊型廣義逆電路，通過電導補償原理，用最少的計算單元實現相同運算功能，對非負矩陣分解過程中最核心的計算步驟進行了優(yōu)化，實現一步求解，極大優(yōu)化了芯片的面積與能耗表現。

為驗證芯片性能，研究團隊搭建了測試平臺，在典型場景中進行驗證。在圖像壓縮任務中，和在全精度數字計算機上運行的結果相比，圖片精度損失相差無幾，還節(jié)省了一半的存儲空間；在推薦系統(tǒng)應用中，其預測誤差率和數字芯片計算結果高度相近。在MovieLens 100k數據集推薦系統(tǒng)訓練任務中，與主流可編程數字硬件相比，該模擬計算器實現了212倍的速度提升和4.6萬倍的能效提升；在網飛（Netflix）規(guī)模數據集的推薦系統(tǒng)訓練任務中，其計算速度較先進數字芯片提升約12倍，而能效比提升超過228倍。

“這項工作為非負矩陣分解這類約束優(yōu)化問題的實時求解開辟了新路徑，展現了模擬計算處理現實復雜數據的巨大潛力。”孫仲表示，該研究可為實時推薦系統(tǒng)、高清圖像處理、基因數據分析等場景帶來技術革新，助力人工智能應用向更高效、更低功耗方向發(fā)展。（記者張蓋倫）