非負(fù)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(yīng)用于推薦系統(tǒng)、生物信息學(xué)、圖像處理等多個(gè)領(lǐng)域。北京大學(xué)人工智能學(xué)院孫仲研究員團(tuán)隊(duì)瞄準(zhǔn)這一技術(shù)，設(shè)計(jì)了一種模擬計(jì)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(dāng)前先進(jìn)數(shù)字芯片相比，計(jì)算速度可提升約12倍，能效比提升超過(guò)228倍，相關(guān)成果已于近日發(fā)表于《自然·通訊》。

團(tuán)隊(duì)此次研制出了基于阻變存儲(chǔ)器（RRAM）的非負(fù)矩陣分解模擬計(jì)算求解器，并創(chuàng)新性設(shè)計(jì)了一種可重構(gòu)緊湊型廣義逆電路，通過(guò)電導(dǎo)補(bǔ)償原理，用最少的計(jì)算單元實(shí)現(xiàn)相同運(yùn)算功能，對(duì)非負(fù)矩陣分解過(guò)程中最核心的計(jì)算步驟進(jìn)行了優(yōu)化，實(shí)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(yàn)證芯片性能，研究團(tuán)隊(duì)搭建了測(cè)試平臺(tái)，在典型場(chǎng)景中進(jìn)行驗(yàn)證。在圖像壓縮任務(wù)中，和在全精度數(shù)字計(jì)算機(jī)上運(yùn)行的結(jié)果相比，圖片精度損失相差無(wú)幾，還節(jié)省了一半的存儲(chǔ)空間；在推薦系統(tǒng)應(yīng)用中，其預(yù)測(cè)誤差率和數(shù)字芯片計(jì)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(xùn)練任務(wù)中，其計(jì)算速度較先進(jìn)數(shù)字芯片提升約12倍，而能效比提升超過(guò)228倍。

孫仲表示，該研究可為實(shí)時(shí)推薦系統(tǒng)、高清圖像處理、基因數(shù)據(jù)分析等場(chǎng)景帶來(lái)技術(shù)革新，助力人工智能應(yīng)用向更高效、更低功耗方向發(fā)展。