文章总结： 北京大学孙仲团队研制出基于阻变存储器的模拟计算芯片，用于优化非负矩阵分解技术。相比先进数字芯片，该芯片计算速度提升约12倍，能效比提升超228倍，且精度损失极低。该成果利用模拟计算并行优势解决了传统硬件瓶颈，为实时推荐系统及图像处理等领域提供了高效低耗的新方案。 综合评分： 73 文章分类： AI安全

能效比提升超228倍 我国科学家研制出新型芯片

Cismag Cismag

信息安全与通信保密杂志社

2026年1月27日 17:29 四川

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，研究团队搭建了测试平台，在典型场景中进行验证。在图像压缩任务中，和在全精度数字计算机上运行的结果相比，图片精度损失相差无几，还节省了一半的存储空间；在推荐系统应用中，其预测误差率和数字芯片计算结果高度相近。在MovieLens 100k数据集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；在网飞（Netflix）规模数据集的推荐系统训练任务中，其计算速度较先进数字芯片提升约12倍，而能效比提升超过228倍。

“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。”孙仲表示，该研究可为实时推荐系统、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。

来源：科技日报

★

★ ★ ★

★

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：信息安全与通信保密杂志社 Cismag Cismag《能效比提升超228倍 我国科学家研制出新型芯片》