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、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表于《自然·通訊》。
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化，實現一步求解，極大優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，還節省了一半的存儲空間；在推薦系統應用中，其預測誤差率和數字芯片計算結果高度相近。在網飛（Netflix）規模數據集的推薦系統訓練任務中，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。
孫仲表示，該研究可為實時推薦系統、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、更低功耗方向發展。
