In‑memory analoge berekeningen voor non‑negative matrixfactorisatie

Waarom het opdelen van grote gegevenssets ertoe doet

Diensten uit het dagelijks leven—zoals filmaanbevelingen, fototoepassingen en genetische analyse—zijn allemaal afhankelijk van het vinden van patronen die verborgen liggen in enorme tabellen met getallen. Een veelgebruikte methode hiervoor is non‑negative matrixfactorisatie (NMF), die een grote datatabel opsplitst in eenvoudigere bouwstenen die makkelijker te interpreteren zijn. Maar zodra datasets uitgroeien tot miljoenen gebruikers, items of pixels, kunnen de huidige digitale chips moeite hebben om in realtime bij te blijven. Dit artikel toont aan hoe een analoge, in‑memory computing‑benadering deze zware wiskundige taken veel sneller en met veel minder energie kan uitvoeren, waardoor responsievere en efficiëntere AI‑gedreven diensten mogelijk worden.

Patronen uit gigantische tabellen halen

Centraal in dit werk staat non‑negative matrixfactorisatie (NMF), een methode die een groot raster van niet‑negatieve getallen—zoals gebruikers‑filmbeoordelingen of beeldpixelwaarden—herschrijft als het product van twee kleinere rasters. Het ene raster vertegenwoordigt verborgen “kenmerken” (bijvoorbeeld iemands voorkeur voor actie versus romantiek), en het andere geeft aan hoe sterk elk item of pixel die kenmerken vertoont. Omdat alle waarden niet‑negatief blijven, lijken deze kenmerken vaak op intuïtieve delen: gezichtscomponenten in beelden, of voorkeurprofielen in aanbevelingsdata. Dit maakt NMF populair in aanbevelingssystemen, bioinformatica, beeldverwerking en clustering, maar het maakt het ook rekenkundig intensief voor zeer grote, sparsely gevulde datasets.

Waarom digitale chips tegen een muur lopen

Traditionele processors—CPU’s, GPU’s en zelfs FPGA’s—behandelen matrixbewerkingen als lange reeksen basale stappen en verplaatsen gegevens heen en weer tussen geheugen en rekeneenheden. Voor bescheiden problemen werkt dit goed, maar voor moderne datasets met miljoenen rijen en kolommen wordt de kost in tijd en energie enorm. De vertraging van Moore’s law en de zogenaamde von‑Neumann‑bottleneck, waarbij geheugentoegang de macht en vertraging domineert, maken het steeds lastiger om NMF te schalen naar realtime‑toepassingen zoals live aanbevelingen of snelle beeldanalyse. Zelfs slimme digitale algoritmen lopen nog steeds tegen polynomiale complexiteit en zware geheugentraffic aan zodra matrices herhaaldelijk moeten worden bijgewerkt.

Rekenen in het geheugen met analoge signalen

De auteurs kiezen een andere weg door analoge matrixcomputing te gebruiken op basis van resistieve geheugenapparaten die bekendstaan als memristors. Deze apparaten kunnen worden gerangschikt in dichte kruisrail‑arrays waarbij elk kruispunt een geleidingswaarde opslaat. Wanneer spanningen aan één kant van de array worden aangelegd, voeren de stromen die aan de andere kant naar buiten lopen van nature veel vermenigvuldig‑en‑optelbewerkingen parallel uit. Door deze arrays in een gesloten lus te bedraden met een klein aantal operationele versterkers bouwt het team een compact generalized inverse (GINV)‑circuit dat hele regressieproblemen in wezen in één analoge stap oplost, in plaats van in vele digitale iteraties. Ze verfijnen het ontwerp met een geleidingscompensatieschema dat het circuit stabiel houdt en tegelijkertijd het aantal versterkers scherp vermindert, wat chipoppervlak en vermogen bespaart.

Van wiskundige truc naar werkende hardware

Om dit praktisch toepasbaar te maken voor NMF, koppelen de onderzoekers hun compacte GINV‑circuit aan een bekende strategie genaamd alternating non‑negative least squares. In plaats van te proberen beide factormatrices tegelijk op te lossen—een moeilijk niet‑convex probleem—verbeterde de methode afwisselend één matrix terwijl de andere vastgehouden wordt, waardoor de taak wordt opgesplitst in een reeks eenvoudigere niet‑negatieve regressieproblemen die het analoge circuit kan oplossen. Ze fabriceren hafniumoxide‑memristorarrays en bouwen een gedrukte‑circuitbord‑platform, en demonstreren vervolgens twee belangrijke toepassingen. Voor beeldcompressie wordt een foto van een nevel opgesplitst in kleine patches die worden gefactoriseerd, waarbij de opslag wordt gehalveerd terwijl het beeld met slechts een kleine visuele kwaliteitsverlies wordt gereproduceerd. Voor aanbevelingssystemen factoriseren ze gebruikers‑item beoordelingsdata zoals de MovieLens 100k‑set en voorspellen nauwkeurig ontbrekende beoordelingen, zelfs wanneer de matrix extreem schaars is.

Snelheid, efficiëntie en robuustheid in de praktijk

Buiten de basiscorrectheid toont de analoge oplossing opmerkelijke voordelen in snelheid en energieverbruik. Omdat de stroom door de kruisrail veel bewerkingen tegelijkertijd vertegenwoordigt, wordt de tijd om een regressieprobleem op te lossen bijna onafhankelijk van de matrixgrootte, in scherp contrast met digitale methoden. Systeemniveau‑schattingen suggereren snelheidsverbeteringen die variëren van honderden tot duizenden keren ten opzichte van geavanceerde FPGA‑ en GPU‑implementaties, samen met verbeteringen van meerdere ordes van grootte in energie‑efficiëntie. Misschien verrassend is de analoge aard van de hardware geen zwakte maar een sterkte: het NMF‑algoritme verdraagt apparaatruis en programmeerfouten op natuurlijke wijze, en in simulaties blijven de uiteindelijke beeld‑ en aanbevelingskwaliteit hoog, zelfs wanneer de onderliggende memristorwaarden behoorlijk onnauwkeurig zijn of met de temperatuur driften.

Wat dit betekent voor alledaagse technologie

In eenvoudige termen toont de studie aan dat een nieuw soort "rekenaar in geheugen" een van de krachtige hulpmiddelen van moderne datawetenschap veel sneller en efficiënter kan verwerken dan de huidige digitale chips. Door matrixfactorisatie direct in compacte analoge circuits in te bouwen, zouden diensten zoals streamingaanbevelingen, gepersonaliseerde contentranking en on‑device beeldverwerking uiteindelijk in realtime kunnen draaien terwijl ze veel minder energie verbruiken. Het werk levert zowel een circuit‑blauwdruk als experimenteel bewijs dat dergelijke analoge in‑memory computing realistische datasets met een nauwkeurigheid dicht bij full‑precision software aankan, en wijst de weg naar toekomstige hardware die moeiteloos door enorme datastromen kan werken, alsof licht door glas gaat.

Bronvermelding: 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

Trefwoorden: analoge in‑memory computing, non‑negative matrixfactorisatie, memristor kruisrail, beeldcompressie, aanbevelingssystemen