Analog beräkning i minnet för icke-negativ matrisfaktorisering

Varför det spelar roll att dela upp stora data

Tjänster vi använder varje dag — som filmtips, fotonappar och genetisk analys — är beroende av att hitta mönster gömda i enorma tabeller med siffror. Ett vanligt sätt att göra detta heter icke‑negativ matrisfaktorisering (NMF), som bryter ned en stor datamatris i enklare byggstenar som är lättare att tolka. Men när datamängder växer till miljontals användare, objekt eller pixlar kan dagens digitala kretsar få svårt att hänga med i realtid. Den här artikeln visar hur en analog, i‑minnes beräkningsmetod kan utföra den här tunga matematiska bearbetningen mycket snabbare och med betydligt lägre energiförbrukning, vilket öppnar för mer responsiva och effektiva AI‑drivna tjänster.

Att dra fram mönster ur jättestora tabeller

I kärnan av arbetet ligger icke‑negativ matrisfaktorisering (NMF), en metod som tar ett stort rutnät av icke‑negativa tal — till exempel användares filmomdömen eller bildpixelvärden — och skriver om det som produkten av två mindre rutnät. Ett rutnät representerar dolda ”funktioner” (till exempel en användares preferens för action kontra romantik) och det andra visar hur starkt varje objekt eller pixel uppvisar dessa funktioner. Eftersom alla värden förblir icke‑negativa tenderar dessa funktioner att se ut som intuitiva delar: ansiktskomponenter i bilder eller preferensprofiler i rekommendationsdata. Det gör NMF populärt inom rekommendationssystem, bioinformatik, bildbehandling och klustring, men gör det också beräkningsmässigt krävande för mycket stora, glesa datasätt.

Varför digitala kretsar stöter på begränsningar

Traditionella processorarchitekturer — CPU:er, GPU:er och även FPGA:er — behandlar matrisoperationer som långa sekvenser av grundläggande steg och flyttar data fram och tillbaka mellan minne och beräkningsenheter. För måttliga problem fungerar detta bra, men för moderna datamängder med miljontals rader och kolumner blir kostnaden i tid och energi enorm. Moores lags avmattning och den så kallade von Neumann‑flaskhalsen, där minnesaccess dominerar effekt- och tidskostnader, gör det svårare att skala NMF till realtidsapplikationer som live‑rekommendationer eller snabb bildanalys. Även smarta digitala algoritmer har polynomiell tidskomplexitet och tung minnestrafik när matriser måste uppdateras upprepade gånger.

Beräkning inne i minnet med analoga signaler

Författarna går en annan väg genom att använda analog matrisberäkning baserad på resistiva minnesenheter kända som memristorer. Dessa enheter kan ordnas i täta korsmatriser där varje korsning lagrar ett konduktansvärde. När spänningar appliceras längs ena sidan av matrisen utförs många multiplikationer och additioner parallellt som strömmar på den andra sidan. Genom att koppla dessa matriser i en sluten slinga med ett litet antal operationsförstärkare bygger teamet en kompakt generaliserad invers (GINV)-krets som löser hela regressionsproblem i praktiskt taget ett analogt steg, istället för i många digitala iterationer. De förfinar konstruktionen med ett konduktanskompensationsschema som håller kretsen stabil samtidigt som antalet förstärkare skarpt reduceras, vilket sparar kretssområde och effekt.

Från matematisk finess till fungerande hårdvara

För att göra detta praktiskt för NMF parar forskarna sin kompakta GINV‑krets med en välkänd strategi kallad alternerande icke‑negativa minsta kvadrat. Istället för att försöka lösa för båda faktormatrisernas samtidigt — ett svårt icke‑konvext problem — förbättrar metoden växelvis en matris medan den andra hålls fix, och bryter ner uppgiften i en kedja av enklare icke‑negativa regressionsproblem som den analoga kretsen kan lösa. De tillverkar hafnium‑oxid‑memristormatrisser och bygger en tryckt kretskortplattform, och demonstrerar sedan två viktiga tillämpningar. För bildkomprimering delas ett nebulafoto upp i små fält som faktoriseras, halverar lagringsbehovet samtidigt som bilden återges med endast en liten visuell kvalitetsförlust. För rekommendationssystem faktoriserar de användar‑objekt‑betygsdata som MovieLens 100k, och predikterar saknade betyg med hög noggrannhet trots att matrisen är extremt gles.

Hastighet, effektivitet och robusthet i verkliga tillämpningar

Bortom grundläggande korrekthet visar den analoga lösaren anmärkningsvärda fördelar i hastighet och energi. Eftersom strömmen genom korsmatrisen representerar många operationer utförda samtidigt blir tiden att lösa ett regressionsproblem nästan oberoende av matrisstorlek, i skarp kontrast till digitala metoder. Systemnivåuppskattningar antyder hastighetsförbättringar från hundratals till tusentals gånger jämfört med avancerade FPGA‑ och GPU‑implementationer, tillsammans med förbättringar om flera ordningsstorlekar i energieffektivitet. Kanske förvånande är den analoga hårdvarans natur inte en svaghet utan en styrka: NMF‑algoritmen tolererar naturligt enhetsbrus och programmeringsfel, och i simuleringar förblir slutlig bild‑ och rekommendationskvalitet hög även när de underliggande memristorvärdena är ganska oprecisa eller driver med temperaturen.

Vad detta betyder för vardagsteknik

Enklare uttryckt visar studien att en ny sorts ”räknare i minnet” kan hantera ett av de viktigaste verktygen i modern datavetenskap mycket snabbare och mer effektivt än dagens digitala kretsar. Genom att bädda in matrisfaktorisering direkt i kompakta analoga kretsar kan tjänster som strömningsrekommendationer, personliga innehållsrankningar och bildbehandling på enheten så småningom köras i realtid samtidigt som de förbrukar mycket mindre effekt. Arbetet tillhandahåller både en kretsritning och experimentellt bevis för att sådan analog i‑minnes beräkning kan hantera realistiska datasätt med noggrannhet nära fullprecision‑programvara, vilket pekar mot framtida hårdvara som kan sålla igenom massiva datastreams lika lätt som ljus som passerar genom glas.

Citering: 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

Nyckelord: analog beräkning i minnet, icke-negativ matrisfaktorisering, memristor-korsmatris, bildkomprimering, rekommendationssystem