חישוב אנלוגי בתוך הזיכרון לפירוק מטריצות לא‑שליליות

למה חשוב לפצל דאטה גדול לחלקים

שירותים יום‑יומיים כמו המלצות סרטים, אפליקציות תמונות וניתוח גנטי מסתמכים על מציאת דפוסים שמוסתרים בטבלאות עצומות של מספרים. שיטה נפוצה לכך נקראת פירוק מטריצה לא‑שלילית (NMF), המפרקת טבלת נתונים גדולה לחלקים פשוטים יותר שקל יותר לפרש אותם. אך כאשר מערכי נתונים מתרחבים למיליוני משתמשים, פריטים או פיקסלים, השבבים הדיגיטליים של היום עלולים להתקשות לעבד זאת בזמן אמת. המאמר הזה מראה כיצד גישה אנלוגית של חישוב בתוך הזיכרון יכולה לבצע את העומס המתמטי הזה הרבה יותר מהר ובצריכת אנרגיה נמוכה בהרבה, ובכך לפתוח אפשרות לשירותי בינה מלאכותית תגובתיים ויעילים יותר.

שליפת דפוסים מטבלאות ענק

בלב העבודה נמצא פירוק מטריצה לא‑שלילית (NMF), שיטה שלוקחת רשת גדולה של מספרים לא‑שליליים — כמו דירוגי משתמשים‑לסרטים או ערכי פיקסלים בתמונה — ומייצרת אותה כמכפלה של שתי רשתות קטנות יותר. רשת אחת מייצגת “תכונות” חבויות (למשל נטיית משתמש לפעולה מול רומנטיקה), והשנייה מייצגת עד כמה כל פריט או פיקסל מציג את התכונות הללו. מכיוון שכל הערכים נשארים לא‑שליליים, התכונות נוטות להיראות כחלקים אינטואיטיביים: מרכיבים של פנים בתמונות או פרופילי העדפה בנתוני המלצות. זה הופך את NMF לפופולרי במערכות המלצה, ביו‑אינפורמטיקה, עיבוד תמונה ואשכולות, אך גם עושה אותו תובעני חישובית עבור מערכי נתונים גדולים וספאירים.

למה שבבים דיגיטליים נתקעים

מעבדים מסורתיים — CPUs, GPUs ואפילו FPGAs — מטפלים בפעולות מטריציות כרצף ארוך של צעדים בסיסיים, ומעבירים נתונים הלוך וחזור בין זיכרון ליחידות החישוב. לבעיות בינוניות זה עובד היטב, אך עבור מערכי נתונים מודרניים עם מיליוני שורות ועמודות, העלות בזמן ובאנרגיה נעשית עצומה. האטת חוק מור ובקבוקון פון ניומן, שבו גישת הזיכרון שולטת בצריכת ההספק ובדיליי, מקשים יותר ויותר על הגדלת קנה המידה של NMF ליישומים בזמן אמת כמו המלצות חיות או ניתוח תמונות מהיר. גם אלגוריתמים דיגיטליים חכמים נתקלים במורכבות זמן פולינומית ותנועת זיכרון כבדה בכל פעם שמטריצות צריכות לעדכן באופן חוזר.

חישוב בתוך הזיכרון באמצעות אותות אנלוגיים

המחברים בוחרים בדרך שונה: הם משתמשים בחישוב מטריציוני אנלוגי מבוסס התקני זיכרון התנגדותיים הידועים כממריסטורים. התקנים אלה יכולים להיות מסודרים במערכי צלב צפופים שבהם כל צומת מאחסן ערך מוליכות. כשמיישמים מתחים בצד אחד של המערך, זרמים היוצאים בצד השני מבצעים באופן טבעי הרבה פעולות כפל‑וחיבור במקביל. על‑ידי חיבור מערכים אלה בלולאה סגורה עם מספר קטן של מגברי פעולה, הצוות בונה מעגל הופכי כללי קטן (GINV) הפותר בעיות רגרession שלמות למעשה בצעד אנלוגי אחד, במקום בהרבה איטרציות דיגיטליות. הם משכללים את העיצוב עם סכמת פיצוי מוליכות שמשמרת את יציבות המעגל בזמן שמפחיתה באופן חד את מספר המגברים, וחוסכת כך שטח שבב והספק.

מטריקת מתמטיקה לחומרה עובדת

כדי להפוך זאת לפרקטי עבור NMF, החוקרים משדכים את מעגל GINV הקומפקטי שלהם עם אסטרטגיה ידועה בשם ריבועים מינימליים לא‑שליליים מתחלפים. במקום לנסות לפתור עבור שתי מטריצות הגורם בו‑זמנית — בעיה לא‑קמורה ומאתגרת — השיטה משפרת לסירוגין מטריצה אחת בעוד השנייה קבועה, ופוצלת את המשימה לשרשרות של בעיות רגרession לא‑שליליות פשוטות שהמעגל האנלוגי יכול לפתור. הם מייצרים מערכי ממריסטורים מבוססי חמצן ההפניום ובונים פלטפורמת לוח מעגל מודפס, ואז מדגימים שני יישומים מרכזיים. בדחיסת תמונות, תמונת ערפילית מחולקת לתצורות קטנות שמפורקות, חוסכת חצי מהאחסון בעוד שהתמונה משוחזרת עם אובדן חזותי זניח בלבד. במערכות המלצה, הם מפרקים נתוני דירוג משתמש‑פריט כגון סט MovieLens 100k, ומנבאים במדויק דירוגים חסרים אף על פי שהמטריצה מאוד ספאירית.

מהירות, יעילות וחוסן בעולם האמיתי

מעבר לנכונות בסיסית, הפותר האנלוגי מראה יתרונות מרשימים במהירות ובצריכת אנרגיה. מכיוון שהזרם דרך צלב‑הזיכרון מייצג הרבה פעולות המבוצעות בבת אחת, הזמן לפתור בעיית רגרession הופך כמעט בלתי תלוי בגודל המטריצה — בניגוד חד לשיטות דיגיטליות. הערכות ברמת מערכת מציעות מהירויות גבוהות פי מאות עד אלפי לעומת מימושים מתקדמים על FPGA ו‑GPU, יחד עם שיפורים של מספר סדרי גודל ביעילות אנרגטית. אולי באופן מפתיע, הטבע האנלוגי של החומרה אינו חיסרון אלא חוזקה: אלגוריתם ה‑NMF סובל באופן טבעי רעש התקנים ושגיאות תכנות, ובסימולציות איכות התמונה וההמלצות הסופיות נשמרת גבוהה גם כאשר ערכי הממריסטור לא מדויקים במיוחד או נוטים לסטיות טמפרטורה.

מה זה משמעותי לטכנולוגיה שבשימוש יומי

במילים פשוטות, המחקר מראה שסוג חדש של "מחשבון בתוך הזיכרון" יכול לטפל באחד הכלים המרכזיים של מדעי הנתונים המודרניים הרבה יותר מהר וביעילות רבה יותר מאשר השבבים הדיגיטליים של היום. על‑ידי הטמעת פירוק מטריצות ישירות במעגלים אנלוגיים קומפקטיים, שירותים כמו המלצות סטרימינג, דירוג תוכן מותאם אישית ועיבוד תמונה במכשיר עשויים לבסוף לפעול בזמן אמת תוך צריכת אנרגיה נמוכה בהרבה. העבודה מספקת גם בלוּת מעגלית וגם הוכחה ניסויית לכך שחישוב אנלוגי בתוך הזיכרון מסוגל להתמודד עם מערכי נתונים מציאותיים בדיוק הקרוב לתוכנה ברזולוציה מלאה, ומצביעה לכיוון חומרה עתידית שתחלץ נתונים עצומים בקלות כמו אור החולף דרך זכוכית.

ציטוט: Wang, S., Luo, Y., Zuo, P. et al. In-memory analog computing for non-negative matrix factorization. Nat Commun 17, 1881 (2026). https://doi.org/10.1038/s41467-026-68609-8

מילות מפתח: חישוב אנלוגי בתוך הזיכרון, פירוק מטריצה לא‑שלילית, צלב‑זיכרון מבוסס ממריסטור, דחיסת תמונות, מערכות המלצה