模拟计算进入矩阵时代：北大团队用阻变存储器芯片把矩阵分解算快12倍
要点
北京大学人工智能研究院孙仲研究员团队把模拟计算从"解微分方程"推进到了"算矩阵"。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，在网飞（Netflix）规模数据集的推荐系统训练任务中，计算速度较先进数字芯片提升约12倍，能效比提升超过228倍。相关成果发表于…
北京大学人工智能研究院孙仲研究员团队把模拟计算从”解微分方程”推进到了”算矩阵”。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，在网飞（Netflix）规模数据集的推荐系统训练任务中，计算速度较先进数字芯片提升约12倍，能效比提升超过228倍。相关成果发表于国际期刊《自然·通讯》。
为什么盯上非负矩阵分解
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、图像处理等领域。它的计算过程要求同步求解两个矩阵，极为繁复，依赖传统数字芯片的串行计算模式，往往力不从心，成为制约实时智能的瓶颈。
孙仲打了一个比方：这就像为一项特定且繁重的任务，打造一把高度定制化的”智能钥匙”，而不是继续使用通用的”万能扳手”。
一步求解怎么实现
团队转向模拟计算赛道，在阻变存储器阵列上构建高度紧凑的模拟电路，并采用原创的电导补偿技术，使核心计算步骤能够实现”一步求解”。具体做法是设计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优化，从而大幅压缩芯片面积与能耗。
研究团队在实验室搭建了原型系统并完成多组实验测试。在图像压缩任务中，与全精度数字计算机上的运行结果相比，图片精度损失相差无几，还节省了一半存储空间；在推荐系统应用中，其预测误差率与数字芯片计算结果高度相近。在MovieLens100k数据集的推荐系统训练任务中，与主流可编程数字硬件相比，该模拟计算器实现了212倍的速度提升和4.6万倍的能效提升。
模拟计算的现实位置
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。但这并不意味着它要取代数字芯片。孙仲团队的路线是把最繁重的矩阵运算交给模拟电路，把逻辑控制、数据调度留给成熟的数字生态，形成数模协同的专用加速方案。
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了新路径，展现了模拟计算处理现实复杂数据的巨大潜力，可为实时推荐系统、高清图像处理、基因数据分析等场景带来技术革新，助力人工智能应用向更高效、更低功耗方向发展。
从实验室原型到规模量产，仍需跨越器件一致性、良率与工程化等关口。团队目前推进的是专用场景的加速验证，而非通用算力的全面替代——这也是观察模拟计算能否真正走出实验室的关键指标。
