1月21日消息，當你點開社交平臺，瞬間看到心儀的電影推薦；當購物網站精準呈現你可能喜歡的商品——這些智能服務背后，是計算系統在海量數據中進行的急速運算與抉擇。

然而，支撐這一切的傳統計算芯片正在面臨速度與能耗的雙重壓力，科學家們將目光投向超越傳統數字計算的新架構。

北京大學孫仲研究員團隊在這一前沿領域取得關鍵突破，成功研發出高能效的新型專用計算芯片，首次為繁復的計算任務提供了專用硬件加速方案。

實驗表明，相較于先進數字芯片，該系統計算速度提升約12倍，能效比提升超過228倍。相關成果發表于國際期刊《自然·通訊》。

“這項研究瞄準了機器學習中的一項核心任務——非負矩陣分解。該技術如同一位高效的‘數據解讀者’，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、個性化推薦等領域具有廣泛應用。

然而，它的計算過程要求同步求解兩個矩陣，極為繁復，依賴傳統數字芯片的串行計算模式，往往力不從心，成為制約實時智能的瓶頸。”孫仲告訴記者。

正因如此，團隊創新性轉向了模擬計算這一新興賽道，成功研制出基于阻變存儲器的非負矩陣分解模擬計算求解器。

“這就像是為一項特定且繁重的任務，打造了一把高度定制化的‘智能鑰匙’，而非繼續使用通用的‘萬能扳手’。通過精巧的電路設計與算法協同創新，我們在阻變存儲器陣列上構建出高度緊湊的模擬電路，并采用原創的電導補償技術，使得核心計算步驟能夠實現‘一步求解’，極大優化了芯片的面積與能耗表現。”孫仲說。

為驗證系統性能，研究團隊在實驗室中成功搭建原型系統，并完成多組實驗測試。

該系統既完成了對彩色圖像的高質量分解，信噪比損失微乎其微；也高效處理了電影推薦數據集訓練任務，精度幾乎與數字芯片無異。

系統級評估顯示，在面對網飛規模數據集的推薦系統訓練任務時，該模擬求解器的計算速度較先進數字芯片提升約12倍，而能效比更是實現了超過228倍的飛躍性提升。

“這項工作為非負矩陣分解這類約束優化問題的實時求解開辟了新路徑，展現了模擬計算處理現實復雜數據的巨大潛力。”孫仲說，“這意味著，未來此類高能效專用芯片，有望大幅提升個性化推薦的實時響應能力，并為生成式AI訓練提供更節能、更快的算力支持。”

“這項成果不僅拓展了高效計算架構的應用邊界，更為應對人工智能時代的算力挑戰提供了創新解決方案。

隨著后續研究深入和產業化進程推進，此類高能效專用計算架構有望在更多關鍵領域實現應用，為我國在下一代智能計算技術競爭中構建核心優勢。”孫仲期待。