Implementierung von Reservoir Computing mit gekoppelten mikroelektromechanischen Trommelresonatoren über seitbandgepumpte Phonon‑Kavitätsdynamik

Intelligente winzige Trommeln, die aus Vibrationen lernen

Stellen Sie sich vor, ein Sensor könnte nicht nur ein Signal erfassen, sondern daraus lernen und direkt vor Ort Vorhersagen treffen. Diese Arbeit zeigt, wie ein Paar mikroskopischer, auf einem Chip vibrierender „Trommeln“ als einfache Lernmaschine fungieren kann und damit den Weg zu Geräten ebnet, die erfassen, verarbeiten und entscheiden, ohne Daten an entfernte Rechner zu senden.

Vibrationen als Rechenressource

Die Studie baut auf einer Form des maschinellen Lernens namens Reservoir Computing auf, die dafür konzipiert ist, zeitlich verknüpfte Informationen zu verarbeiten – etwa gesprochene Sprache, Herzschläge oder seismische Signale. Anstatt ein großes Netzwerk künstlicher Neuronen zu trainieren, speist man das Eingangssignal in ein komplexes physikalisches System, dessen interne Dynamik vergangene Eingaben natürlich vermischt und speichert. Nur die letzte Ausgabeschicht wird trainiert, was Energie- und Hardwarekosten stark reduziert. Die Autoren nutzen mikro‑elektro‑mechanische Systeme (MEMS): winzige mechanische Bauteile, die elektrisch angeregt und ausgelesen werden können und Millionen Mal pro Sekunde vibrieren. MEMS sind bereits weit verbreitet in Smartphones und Autos; ihre natürlichen nichtlinearen Schwingungen und ihre endlichen Ausklingzeiten eignen sich gut als physikalische Reservoirs.

Ein Paar gekoppelter Trommeln auf einem Chip

Im Zentrum dieser Studie steht ein „Doppel‑Trommel“‑Resonator: zwei kreisförmige Membranen, eine aus Siliziumnitrid, die andere aus Aluminium, übereinander gestapelt mit einem winzigen Spalt dazwischen. Jede Trommel hat eine eigene Schwingungsfrequenz im Megahertz‑Bereich, und sie sind elektrisch über die sich ändernde Kapazität über dem Spalt gekoppelt. Ein Mikrowellenkreis treibt ihre Bewegung an und überwacht sie mit hoher Empfindlichkeit. Für das Reservoir Computing betrachten die Autoren diese physikalische Struktur als einen einzelnen Knoten und erzeugen dann hunderte sogenannter virtueller Knoten, indem unterschiedliche Zeitabschnitte des Eingangs über eine Verzögerungsschleife eingespeist werden. Die Verzögerung wird digital auf einem Field‑Programmable Gate Array (FPGA) realisiert, das eine verzögerte Version der Trommelbewegung zurücksendet, um das Antriebssignal zu modulieren, sodass der aktuelle Zustand sowohl von der gegenwärtigen Eingabe als auch von den jüngsten vergangenen Schwingungen abhängt.

Mit einem Pump‑Ton reichhaltige Dynamik erzeugen

Die Schlüsselinnovation liegt in der Kopplung der beiden Trommeln. Entlehnt aus der Optomechanik tragen die Forschenden einen starken „Pump“‑Antrieb bei einer speziellen Frequenz auf, die auf einer Seitenbande der höherfrequenten Trommel liegt. Dieser Pump wirkt effektiv als Phonon‑Bus und transferiert mechanische Energie zwischen den beiden Trommeln. Wenn ein schwächerer „Probe“‑Antrieb eine Trommel anregt, wandelt der Pump einen Teil dieser Bewegung in Schwingungen der anderen Trommel um und zurück, wodurch Interferenzmuster entstehen, die stark von der Antriebsstärke und Frequenzabstimmung abhängen. Durch sorgfältiges Einstellen der Pumpamplitude erzeugt das Team ausgeprägte nichtlineare Reaktionen: Kleine Änderungen im Antrieb können zu verstärkten oder unterdrückten Schwingungen führen. Diese Nichtlinearitäten sind genau das, was Reservoir Computing benötigt, um Eingangsinformation in einen höherdimensionalen Raum zu mischen und gleichzeitig ein abklingendes Gedächtnis früherer Eingaben zu bewahren.

Testen von Gedächtnis‑ und Vorhersagefähigkeiten

Um zu quantifizieren, wie gut das kleine Trommelsystem rechnet, unterziehen die Autoren es zwei Standardbenchmarks. Die erste, eine Paritätsaufgabe, prüft, ob das System mehrere vergangene binäre Eingaben erinnern und nichtlinear kombinieren kann, womit seine Kurzzeitgedächtniskapazität ermittelt wird. Im stark nichtlinearen Pump‑Regime, insbesondere dort, wo Interferenzspitzen scharf sind, löst das Doppel‑Trommel‑Reservoir Paritätsaufgaben korrekt bis zu mehreren Zeitschritten zurück und erreicht Gedächtniskapazitäten, die mit früheren MEMS‑Reservoirs mit Einzelresonator vergleichbar sind. Die zweite Benchmark, bekannt als NARMA‑Aufgabe, ist anspruchsvoller: Sie erfordert, eine Zeitreihe zu reproduzieren, deren aktueller Wert von einer langen und nichtlinearen Geschichte von Eingaben und Ausgaben abhängt. Hier zeigt die neue Plattform moderate Leistungen, aber noch nicht das Niveau einiger langsamerer, niederfrequenter MEMS‑Systeme, vor allem weil die Schwingungen der Aluminiumtrommel schnell abklingen und Rauschen hinzufügen, wodurch die effektive Rückerinnerung in der Zeit begrenzt wird.

Warum diese winzigen Lerner wichtig sind

Selbst mit diesen Einschränkungen demonstriert die Plattform beeindruckende Effizienz. Die gekoppelten Trommeln benötigen nur einige Dutzend Mikrometer Fläche und erfordern Femtojoule elektrische Energie pro Eingabe, um in das nichtlineare Regime zu gelangen, bei einem Gesamtleistungsbedarf im Nanowatt‑Bereich. Entscheidend ist, dass das Seitenband‑Pumpen keine perfekt übereinstimmenden Trommelfrequenzen verlangt und Resonatoren koppeln kann, die räumlich getrennt sind, was Fertigung und Skalierung vereinfacht. Die Autoren sehen zukünftige Chips vor, auf denen eine Trommel (oder ein Satz Trommeln) als empfindlicher Detektor dient – etwa für Beschleunigung, Druck oder Licht – während eine andere Trommel vor Ort Reservoir Computing auf dem gemessenen Signal ausführt. Auf diese Weise könnte eine kompakte MEMS‑Plattform sowohl erfassen als auch „denken“, Datenübertragung reduzieren, Energie sparen und intelligentere, autonomere Geräte ermöglichen.

Zitation: Farah, T., Flis, L., Laly, P. et al. Implementation of reservoir computing using coupled microelectromechanical drum resonators via sideband-pumped phonon–cavity dynamics. Microsyst Nanoeng 12, 163 (2026). https://doi.org/10.1038/s41378-026-01287-0

Schlüsselwörter: Reservoir Computing, MEMS, neuromorphe Hardware, Vibrationssensoren, Edge‑KI