非负矩阵分解是挖掘高维数据潜在结构的核心技术，广泛应用于推荐系统、生物信息学、图像处理等多 个领域。北京大学人工智能学院孙仲研究员团队瞄准这一技术，设计了一种模拟计算芯片，为大规模数 据处理提供了全新高效方案。和当前先进数字芯片相比，计算速度可提升约12倍，能效比提升超过228 倍，相关成果已于近日发表于《自然·通讯》。 孙仲1月22日告诉科技日报记者，非负矩阵分解是一种强大的"数据降维"技术。它能从巨量且庞杂的用 户行为、图像像素等信息中，提炼出潜在的模式与特征，在图像分析、信息聚类、个性化推荐等领域具 有广泛应用。但面对如今动辄百万级规模的数据集，传统数字硬件受计算复杂度和内存瓶颈限制，难以 满足实时处理需求。 孙仲团队一直研究模拟计算。模拟计算直接利用物理定律实现并行运算，延时低、功耗低，在算力瓶颈 背景下，具有先天优势。团队此次研制出了基于阻变存储器（RRAM）的非负矩阵分解模拟计算求解 器，并创新性设计了一种可重构紧凑型广义逆电路，通过电导补偿原理，用最少的计算单元实现相同运 算功能，对非负矩阵分解过程中最核心的计算步骤进行了优化，实现一步求解，极大优化了芯片的面积 与能耗表现。 为验证芯片性能，研 ...