解开感官信号的属性是感官感知和认知的核心，这也是未来人工智能系统的关键目标。鉴于此，来自IBM苏黎世研究院的Abbas Rahimi等人提出了一种计算引擎，通过利用大脑启发的超维计算的叠加计算能力，以及与基于纳米级忆阻器件的模拟内存计算相关的内在随机性，有效地分解了这些属性组合的高维全息表示。

文章要点：

1) 这种迭代的内存内因子分解器被证实可以解决至少五个数量级以上的问题（这些问题在其他情况下无法解决），并且大大降低了计算时间和空间的复杂性，且研究通过使用两个基于相变忆阻器件的内存计算芯片，对因子分解器进行了大规模的实验演示；

2) 此外，无论矩阵的大小如何，主矩阵-向量乘法运算都需要恒定的时间，从而将计算时间复杂性降低到仅迭代次数，研究通过实验证实了可靠有效地分解视觉感知表示的能力。

参考资料：

Langenegger, J., Karunaratne, G., Hersche, M. et al. In-memory factorization of holographic perceptual representations. Nat. Nanotechnol. (2023).

10.1038/s41565-023-01357-8

https://doi.org/10.1038/s41565-023-01357-8