近日，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228倍，相關(guān)成果已于近日發(fā)表于《自然·通訊》。

孫仲1月22日告訴科技日報記者，非負(fù)矩陣分解是一種強(qiáng)大的“數(shù)據(jù)降維”技術(shù)。它能從巨量且龐雜的用戶行為、圖像像素等信息中，提煉出潛在的模式與特征，在圖像分析、信息聚類、個性化推薦等領(lǐng)域具有廣泛應(yīng)用。但面對如今動輒百萬級規(guī)模的數(shù)據(jù)集，傳統(tǒng)數(shù)字硬件受計(jì)算復(fù)雜度和內(nèi)存瓶頸限制，難以滿足實(shí)時處理需求。

孫仲團(tuán)隊(duì)一直研究模擬計(jì)算。模擬計(jì)算直接利用物理定律實(shí)現(xiàn)并行運(yùn)算，延時低、功耗低，在算力瓶頸背景下，具有先天優(yōu)勢。團(tuán)隊(duì)此次研制出了基于阻變存儲器（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，對非負(fù)矩陣分解過程中最核心的計(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)搭建了測試平臺，在典型場景中進(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幾，還節(jié)省了一半的存儲空間；在推薦系統(tǒng)應(yīng)用中，其預(yù)測誤差率和數(shù)字芯片計(jì)算結(jié)果高度相近。在MovieLens?100k數(shù)據(jù)集推薦系統(tǒng)訓(xùn)練任務(wù)中，與主流可編程數(shù)字硬件相比，該模擬計(jì)算器實(shí)現(xiàn)了212倍的速度提升和4.6萬倍的能效提升；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228倍。

“這項(xiàng)工作為非負(fù)矩陣分解這類約束優(yōu)化問題的實(shí)時求解開辟了新路徑，展現(xiàn)了模擬計(jì)算處理現(xiàn)實(shí)復(fù)雜數(shù)據(jù)的巨大潛力。”孫仲表示，該研究可為實(shí)時推薦系統(tǒng)、高清圖像處理、基因數(shù)據(jù)分析等場景帶來技術(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。