.png){kind=icon}
返回
Memristive singular value decomposition
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-026-76272-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
奇异值分解（SVD）是科学计算、信号处理和机器学习等领域低秩表示的基础。然而，在传统的冯·诺依曼架构中，SVD的迭代计算能耗高，因其存储和计算单元分离，给复杂信息处理带来巨大挑战。本文提出基于计算存储一体（CIM）忆阻器芯片的忆阻器SVD（MSVD），通过选择性表示增强架构（SREA）确保迭代过程中的数值保真度。我们展示了三个层级复杂度递增的MSVD应用：低秩近似用于图像增强和流行病学数据重建；用户可扩展识别利用增量MSVD通过持久化内存存储集成新用户而无需重映射现有信息；大型语言模型权重分解中，基于MSVD的初始化在数学基准测试上持续优于标准微调方法。除软件可比精度外，SREA降低了能耗并加速收敛，相较于未增强的MSVD，整个系统在所有展示场景中均实现了数量级的能效和速度提升，且在增量设置中每次更新周期优势递增。这项工作加速了SVD在不同场景的应用，并推动忆阻器系统向通用计算方向拓展。高维数据集的高效处理需要最小化信息损失和降低计算复杂度。Ding等人报道了一种忆阻器系统，提升了数据简化的效率和精度，支持图像重建、生物医学信号分析和LLM微调等应用。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
15.7
论文数:
9.3W
被引数:
91.2W
机构
引用论文
Memristive technologies for data storage, computation, encryption, and radio-frequency communication用于数据存储、计算、加密和射频通信的忆阻技术.png)
Science
OAAI
ScienceIF0
OAAI分享收藏分享收藏分享收藏分享收藏Pattern classification by memristive crossbar circuits using ex situ and in situ training使用异位和原位训练通过忆阻交叉电路进行模式分类NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏Fully memristive neural networks for pattern classification with unsupervised learning基于无监督学习的全忆阻神经网络模式分类NATURE ELECTRONICS
NATURE ELECTRONICSIF40.9
PREAI
分享收藏
查看更多内容