突破算力瓶颈！北大模拟计算芯片为大数据实时处理提供新方案

非负矩阵分解 (NMF) 是数据挖掘的核心技术之一，能从复杂的高维数据中提取潜在特征，广泛应用于推荐系统、图像处理和生物信息学等领域。然而，面对海量数据，传统数字硬件的计算效率和能耗面临挑战。

北京大学人工智能学院孙仲研究员团队近期在该领域取得突破。他们设计了一种基于阻变存储器（RRAM）的模拟计算芯片，为大规模非负矩阵分解提供了全新的高效解决方案。与当前先进的数字芯片相比，该芯片在特定任务中实现了计算速度提升约12倍，能效比提升超过228倍的卓越性能。相关成果已发表于国际权威期刊《自然·通讯》。

技术核心与优势

传统数字计算在处理NMF这类复杂约束优化问题时存在瓶颈。孙仲团队另辟蹊径，转向模拟计算研究，直接利用物理定律进行并行运算，具有低延时、低功耗的先天优势。他们创新的核心在于：

研制了专用的NMF模拟计算求解器。

设计了一种可重构紧凑型广义逆电路，通过电导补偿原理，以最少的计算单元高效完成核心运算步骤，实现了“一步求解”，从而大幅优化了芯片的面积和能耗。

验证结果与应用潜力

研究团队在典型场景中验证了芯片的实际效能：

图像压缩：在几乎无损精度的前提下，节省了50%的存储空间。

推荐系统：在MovieLens和Netflix数据集上的训练任务中，预测误差与数字芯片结果相近，但实现了212倍至4.6万倍不等的速度与能效提升。

孙仲研究员指出，这项工作为约束优化问题的实时求解开辟了新路径，展示了模拟计算处理现实复杂数据的巨大潜力。该技术有望推动实时推荐系统、高清图像处理和基因数据分析等应用向更高效、更低功耗的方向发展，为人工智能应用的底层硬件革新提供新方案。