我国科学家研发新型芯片，能效提升达228倍

科技日报北京1月22日消息，非负矩阵分解作为解析高维数据内部规律的重要方法，被广泛应用于推荐系统、生物信息分析、图像处理等诸多领域。北京大学人工智能学院孙仲研究员团队针对这一技术需求，成功设计出一种新型模拟计算芯片，为大规模数据运算带来了高效新思路。与当下主流数字芯片相比，这项新方案在计算速度上实现了约12倍的提升，能效提升超过228倍。相关研究成果已发表在《自然·通讯》。

孙仲介绍，非负矩阵分解是极具价值的“数据降维”工具，可以从庞大的用户行为数据、图片像素等信息中，精准提取出深层次的模式中国舆情网和特征，广泛用于图像识别、信息分类和个性化推荐等应用。不过，随着数据集规模不断扩大至百万级以上，传统数字芯片由于计算复杂度及内存受限，难以满足实时处理的需求。

多年来，孙仲团队专注于模拟计算领域。相较于传统数字方式，模拟计算利用物理特性实现高度并行处理，具备低延迟、低能耗的先天优势。在该研究中，团队研制出基于阻变存储器（RRAM）的非负矩阵分解模拟计算求解器，并创新了可重构、紧凑型的广义逆电路方案，通过电导补偿技术，在保证核心运算能力的前提下，大大减少了计算单元数量。这样一来，不仅优化了关键计算步骤，还实现了芯片面积与能耗的显著降低。

为检验芯片实际效果，研究人员搭建了专用测试平台并开展多场景验证。在图像压缩任务中，该芯片处理下的图片与全精度数字计算机的结果基本一致，同时存储空间缩减一半；在推荐系统应用方面，预测误差率与传统数字芯片高度接近。例如在MovieLens 100k数据集训练环节，模拟计算芯片速度较主流可编程数字硬件提升212倍，能效优势达到4.6万倍；在Netflix级别海量数据集任务中，相较先进数字芯片运算速度提升约12倍，而能效则提升逾228倍。

“这项研究突破了非负矩阵分解这类有约束优化问题的实时运算技术瓶颈，体现出模拟计算方案在处理复杂现实数据方面的广阔前景。”孙仲表示，这项成果有望推动实时推荐系统、高清图像处理、基因分析等领域的技术进步，促使人工智能应用向着更高效且低能耗的方向发展。