非負矩陣分解是挖掘高維數(shù)據(jù)潛在結(jié)構(gòu)的核心技術(shù)，廣泛應用于推薦系統(tǒng)、生物信息學、圖像處理等多個領(lǐng)域。北京大學人工智能學院孫仲研究員團隊瞄準這一技術(shù)，設計了一種模擬計算芯片，為大規(guī)模數(shù)據(jù)處理提供了全新高效方案。和當前先進數(shù)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(guān)成果已于近日發(fā)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(chuàng)新性設計了一種可重構(gòu)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(xiàn)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(xiàn)一步求解，極大優(yōu)化了芯片的面積與能耗表現(xiàn)。

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(shù)字計算機上運行的結(jié)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(shù)字芯片計算結(jié)果高度相近。在網(wǎng)飛（Netflix）規(guī)模數(shù)據(jù)集的推薦系統(tǒng)訓練任務中，其計算速度較先進數(shù)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(tǒng)、高清圖像處理、基因數(shù)據(jù)分析等場景帶來技術(shù)革新，助力人工智能應用向更高效、更低功耗方向發(fā)展。