Implementación de reservoir computing mediante resonadores tipo tambor microelectromecánicos acoplados a través de dinámica fonón‑cavidad activada por bandas laterales

Pequeños tambores inteligentes que aprenden de las vibraciones

Imagine que un sensor no solo pudiera detectar una señal, sino también aprender de ella y hacer predicciones en el mismo lugar. Este artículo muestra cómo un par de “tambores” microscópicos que vibran sobre un chip pueden actuar como una máquina de aprendizaje simple, abriendo una vía hacia dispositivos que detectan, procesan y deciden sin enviar datos a ordenadores remotos.

Convertir vibraciones en cálculo

El trabajo se basa en una rama del aprendizaje automático llamada reservoir computing, diseñada para manejar información que se desarrolla en el tiempo —como palabras habladas, latidos del corazón o señales sísmicas. En lugar de entrenar una gran red de neuronas artificiales, reservoir computing introduce una señal de entrada en un sistema físico complejo cuyas dinámicas internas mezclan y recuerdan de forma natural entradas pasadas. Solo se entrena la etapa de salida final, lo que reduce considerablemente el consumo de energía y los costes de hardware. Los autores usan sistemas microelectromecánicos (MEMS): piezas mecánicas diminutas que pueden vibrar millones de veces por segundo y que se accionan y leen eléctricamente. Los MEMS ya se usan ampliamente como sensores en teléfonos y coches, y sus vibraciones no lineales naturales y sus tiempos finitos de amortiguamiento los hacen bien adecuados como reservorios físicos.

Un par de tambores acoplados en un chip

El dispositivo en el centro de este estudio es un resonador “de doble tambor”: dos membranas circulares, una de nitruro de silicio y otra de aluminio, apiladas con una diminuta separación entre ellas. Cada tambor tiene su propia frecuencia de vibración en el rango de megahercios y están vinculados eléctricamente mediante la capacitancia variable a través de la brecha. Un circuito de microondas se emplea para excitar y monitorizar su movimiento con gran sensibilidad. Para implementar reservoir computing, los autores tratan esta estructura física como un único nodo y luego crean cientos de llamados nodos virtuales alimentando diferentes fragmentos temporales de la entrada mediante un bucle de retardo. El retardo se implementa digitalmente en una FPGA (matriz de puertas programable en campo), que envía una versión retardada del movimiento del tambor de vuelta para modular la excitación, de modo que el estado actual depende siempre tanto de la entrada presente como de vibraciones recientes.

Usar un tono de bombeo para agitar dinámicas ricas

La innovación clave reside en cómo se acoplan los dos tambores. Tomando ideas de la optomecánica, los investigadores aplican una fuerte excitación de “bombeo” a una frecuencia especial situada en una banda lateral del tambor de mayor frecuencia. Este bombeo actúa efectivamente como un bus de fonones, transportando energía mecánica entre los dos tambores. Cuando una señal de “sondeo” más débil excita un tambor, el bombeo convierte parte de ese movimiento en vibraciones del otro tambor y luego de vuelta, creando patrones de interferencia que dependen fuertemente de la amplitud de la excitación y del desajuste de frecuencia. Ajustando con cuidado la amplitud del bombeo, el equipo genera respuestas no lineales pronunciadas: pequeños cambios en la excitación pueden causar vibraciones amplificadas o atenuadas. Estas no linealidades son exactamente lo que reservoir computing necesita para mezclar la información de entrada en un espacio de mayor dimensión mientras conserva una memoria que se desvanece de las entradas previas.

Evaluación de la memoria y la capacidad de predicción

Para cuantificar cuán bien el sistema de tambores computa, los autores lo someten a dos pruebas estándar. La primera, denominada tarea de paridad, comprueba si el sistema puede recordar y combinar de forma no lineal varias entradas binarias pasadas, revelando su capacidad de memoria a corto plazo. Al operar en regímenes de bombeo fuertemente no lineales, especialmente donde los picos de interferencia son afilados, el reservorio de doble tambor resuelve correctamente tareas de paridad hasta varios pasos atrás en el tiempo y consigue capacidades de memoria comparables a reservorios MEMS de resonador único reportados anteriormente. La segunda prueba, conocida como tarea NARMA, es más exigente: requiere reproducir una serie temporal cuyo valor actual depende de una larga y no lineal historia de entradas y salidas. Aquí, la nueva plataforma rinde de forma moderada pero aún no iguala a algunos sistemas MEMS más lentos y de menor frecuencia, principalmente porque las vibraciones del tambor de aluminio decaen rápidamente y añaden ruido, limitando cuánto puede recordar efectivamente el sistema hacia atrás en el tiempo.

Por qué importan estos pequeños aprendices

Aun con estas limitaciones, la plataforma demuestra una eficiencia notable. Los tambores acoplados ocupan solo unas decenas de micrómetros por lado y requieren femtojulios de energía eléctrica por entrada para alcanzar el régimen no lineal, con un consumo de potencia global en el rango de nanovatios. De forma crucial, el esquema de bombeo por bandas laterales no exige frecuencias de tambor perfectamente emparejadas y puede enlazar resonadores que están físicamente separados, lo que simplifica la fabricación y la escalabilidad. Los autores imaginan chips futuros donde un tambor (o conjunto de tambores) actúe como detector sensible —por ejemplo, de aceleración, presión o luz— mientras otro tambor realiza computación tipo reservoir in situ sobre la señal medida. De este modo, una única plataforma MEMS compacta podría tanto detectar como “pensar”, reduciendo la transferencia de datos, ahorrando energía y permitiendo dispositivos más inteligentes y autónomos.

Cita: 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

Palabras clave: computación en reserva, MEMS, hardware neuromórfico, sensores vibracionales, IA en el borde