北大团队设计模拟计算芯片，非负矩阵分解处理数据效率大幅提升

【金色港湾资讯网为您推荐阅读】

科技日报发出消息，在北京，1 月 22 日电，记者是张盖伦，非负矩阵分解属于那挖掘高维数据潜在结构的核心技术，它被广泛应用在推荐系统、生物信息学、图像处理等诸多领域。北京大学这儿有个人工智能学院，孙仲研究员带领团队盯上了这一技术，进而设计出了一种模拟计算芯片，此芯片为大规模数据处理给予了全新且高效的方案。与当前先进数字芯片相比较而言，计算速度能够提升大概 12 倍，能效比提升幅度超过 228 倍，这些相关成果在近日已发表于《自然·通讯》 。

孙仲于1月 22日告知科技日报的记者，非负矩阵分解属于一种强大的“数据降维”技术，它能够从数量巨大且繁杂的用户行为、图像像素等各类信息里，提取出潜在的模式以及特征，在图像分析、信息聚类、个性化推荐等多个领域有着广泛的应用，然而面对如今动不动就是百万级规模的数据集，传统数字硬件受到计算复杂度以及内存瓶颈的限制，难以满足实时处理的需求 。

孙仲团队始终在钻研模拟计算， 模拟计算凭借直接运用物理定律达成并行运算， 有着延时低、功耗低的特性， 在算力瓶颈的背景状况下， 具备先天的优势， 团队在此次研制出了依靠阻变存储器也就是RRAM的非负矩阵分解模拟计算求解器， 还创新地设计了一种能够重构的紧凑型广义逆电路， 借助电导补偿原理， 运用最少的计算单元达成相同的运算功能， 针对非负矩阵分解进程里最为核心的计算步骤予以了优化， 达成一步求解， 极大地优化了芯片的面积以及能耗表现 。

研究的团队为去验证芯片的性能构造搭建了测试的平台，于典型的场景当中开展进行验证，在图像压缩的任务里，跟在全精度数字计算机之上运行所产生的结果相比较而言，图片精度的损失相差没有多少，并且还节省了一半的存储空间，在推荐系统应用方面，其预测误差率跟数字芯片计算结果高度地相近 。于100k数据集推荐系统训练任务里，和主流可编程数字硬件去比较来看，此模拟计算器达成了212倍的速度提升，以及4.6万倍的能效提升,，在网飞规模数据集的推荐系统训练任务当中，它的计算速度比先进数字芯片提升了约12倍，并且能效比提升超出了228倍。

孙仲表示，这项工作为非负矩阵分解这类约束优化问题的实时求解开辟出了新路径，展现出模拟计算处理现实复杂数据所具的巨大潜力，该研究能够为实时推荐系统，高清图像处理，基因数据分析等场景带来技术革新，助力人工智能应用朝着更高效、更低功耗的方向去发展 。