Implementazione del reservoir computing usando risonatori a tamburo microelettromeccanici accoppiati tramite dinamica fonone–cavità pompata su bande laterali

Piccoli tamburi intelligenti che apprendono dalle vibrazioni

Immaginate un sensore che non soltanto rileva un segnale, ma ne apprende e compie predizioni in loco. Questo articolo mostra come una coppia di «tamburi» microscopici vibranti su un chip possa comportarsi come una semplice macchina apprenditiva, aprendo la strada a dispositivi che percepiscono, elaborano e decidono senza inviare dati a computer remoti.

Trasformare le vibrazioni in calcolo

Il lavoro si basa su un ramo dell’apprendimento automatico chiamato reservoir computing, pensato per gestire informazioni che si sviluppano nel tempo—come parole pronunciate, battiti cardiaci o segnali sismici. Invece di addestrare una grande rete di neuroni artificiali, il reservoir computing alimenta il segnale di ingresso in un sistema fisico complesso le cui dinamiche interne mescolano e conservano naturalmente gli input passati. Solo lo stadio di uscita finale viene addestrato, il che riduce drasticamente consumo energetico e costi hardware. Gli autori usano sistemi micro‑elettro‑meccanici (MEMS): piccole parti meccaniche che possono vibrare milioni di volte al secondo mentre vengono azionate e lette elettricamente. I MEMS sono già ampiamente impiegati come sensori in smartphone e automobili, e le loro vibrazioni non lineari naturali e i tempi finiti di decadimento li rendono particolarmente adatti come reservoir fisici.

Una coppia di tamburi accoppiati su chip

Il dispositivo al centro di questo studio è un risonatore «a doppio tamburo»: due membrane circolari, una in nitruro di silicio e una in alluminio, impilate con un piccolo gap tra loro. Ogni tamburo ha la propria frequenza di vibrazione nella gamma dei megahertz, e sono collegati elettricamente attraverso la capacità variabile dovuta al gap. Un circuito a microonde viene usato per eccitare e monitorare il loro moto con grande sensibilità. Per implementare il reservoir computing, gli autori considerano questa struttura fisica come un unico nodo e poi creano centinaia di cosiddetti nodi virtuali inviando diverse porzioni temporali dell’ingresso attraverso un loop di ritardo. Il ritardo è implementato digitalmente su una FPGA (field‑programmable gate array), che rimanda una versione ritardata del moto del tamburo per modulare l’eccitazione, così lo stato corrente dipende sempre sia dall’ingresso presente sia dalle vibrazioni recenti.

Usare un tono di pompaggio per indurre dinamiche ricche

L’innovazione chiave sta nel modo in cui i due tamburi sono accoppiati. Ispirandosi all’optomeccanica, i ricercatori applicano una forte eccitazione «pump» a una frequenza speciale che cade su una banda laterale del tamburo a frequenza più alta. Questo pump agisce effettivamente come un bus di fononi, trasferendo energia meccanica tra i due tamburi. Quando un’eccitazione più debole di tipo «probe» stimola un tamburo, il pump converte parte di quel moto in vibrazioni dell’altro tamburo e poi di nuovo indietro, creando pattern di interferenza che dipendono fortemente dall’intensità dell’eccitazione e dal disaccordo di frequenza. Sintonizzando accuratamente l’ampiezza del pump, il team genera risposte non lineari pronunciate: piccoli cambiamenti nell’eccitazione possono provocare vibrazioni amplificate o soppresse. Queste non linearità sono esattamente ciò di cui il reservoir computing ha bisogno per proiettare l’informazione d’ingresso in uno spazio a dimensione più elevata mantenendo allo stesso tempo una memoria attenuata degli input passati.

Testare memoria e capacità di predizione

Per quantificare quanto bene il sistema a tamburo computi, gli autori lo sottopongono a due benchmark standard. Il primo, chiamato parity task, verifica se il sistema riesce a ricordare e combinare in modo non lineare diversi input binari passati, rivelando la sua capacità di memoria a breve termine. Operando in regimi di pump fortemente non lineari, specialmente dove i picchi di interferenza sono netti, il reservoir a doppio tamburo risolve correttamente task di parità fino a diversi passi temporali indietro e raggiunge capacità di memoria paragonabili a precedenti reservoir MEMS a singolo risonatore. Il secondo benchmark, noto come NARMA, è più impegnativo: richiede di riprodurre una serie temporale il cui valore corrente dipende da una lunga e non lineare storia di ingressi e uscite. Qui la nuova piattaforma mostra prestazioni moderate ma non ancora allo stesso livello di alcuni sistemi MEMS più lenti e a frequenza inferiore, in gran parte perché le vibrazioni del tamburo in alluminio decadono rapidamente e introducono rumore, limitando quanto lontano nel tempo il sistema può effettivamente ricordare.

Perché questi piccoli apprendenti sono importanti

Anche con queste limitazioni, la piattaforma dimostra un’efficienza impressionante. I tamburi accoppiati occupano solo alcune decine di micrometri di lato e richiedono femtojoule di energia elettrica per ingresso per raggiungere il regime non lineare, con un consumo complessivo nell’ordine dei nanowatt. Crucialmente, lo schema di sideband‑pumping non richiede frequenze dei tamburi perfettamente abbinate e può collegare risonatori fisicamente separati, semplificando fabbricazione e scalabilità. Gli autori immaginano chip futuri in cui un tamburo (o un insieme di tamburi) funge da rilevatore sensibile—per esempio di accelerazione, pressione o luce—mentre un altro tamburo esegue in loco il reservoir computing sul segnale misurato. In questo modo, una singola piattaforma MEMS compatta potrebbe sia percepire sia «pensare», riducendo il trasferimento di dati, risparmiando energia e abilitando dispositivi più intelligenti e autonomi.

Citazione: 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

Parole chiave: reservoir computing, MEMS, hardware neuromorfico, sensori vibrazionali, edge AI