Implementatie van reservoir computing met gekoppelde micro-elektromechanische trommelresonatoren via sideband-aangedreven foon–caviteitdynamica

Slimme kleine trommels die leren van trillingen

Stel je voor dat een sensor niet alleen een signaal kan detecteren, maar er ook van kan leren en ter plaatse voorspellingen kan doen. Dit artikel laat zien hoe een paar microscopische trillende "trommels" op een chip kunnen fungeren als een eenvoudige leermachine, en opent zo de weg naar apparaten die waarnemen, verwerken en beslissen zonder gegevens naar verre computers te sturen.

Trillingen omzetten in berekening

Het werk bouwt voort op een tak van machine learning die reservoir computing wordt genoemd, bedoeld voor informatie die zich in de tijd ontvouwt—zoals gesproken woorden, hartslagen of seismische signalen. In plaats van een groot netwerk van kunstmatige neuronen te trainen, voert reservoir computing een ingangssignaal in een complex fysisch systeem dat door zijn interne dynamiek op natuurlijke wijze eerdere inputs mengt en onthoudt. Alleen de uiteindelijke uitgangslaag wordt getraind, wat energie- en hardwarekosten sterk vermindert. De auteurs gebruiken micro‑elektro‑mechanische systemen (MEMS): kleine mechanische onderdelen die miljoenen keren per seconde kunnen trillen terwijl ze elektrisch worden aangestuurd en uitgelezen. MEMS worden al veel gebruikt als sensoren in smartphones en auto's, en hun natuurlijke niet-lineaire trillingen en beperkte "uitklingtijd" maken ze goed geschikt als fysieke reservoirs.

Een paar gekoppelde trommels op een chip

Het apparaat in dit onderzoek is een "double‑drum" resonator: twee circulaire membranen, één van silicumnitride en één van aluminium, op elkaar gestapeld met een kleine spleet ertussen. Elke trommel heeft zijn eigen trillingfrequentie in het megahertz‑gebied, en ze zijn elektrisch met elkaar verbonden via de veranderende capaciteit over de spleet. Een microgolfcircuit wordt gebruikt om hun beweging met grote gevoeligheid aan te sturen en te monitoren. Om reservoir computing te implementeren, behandelen de auteurs deze fysieke structuur als een enkele knoop en creëren vervolgens honderden zogenoemde virtuele knopen door verschillende tijdssegmenten van de input via een vertraginglus te voeren. De vertraging wordt digitaal uitgevoerd op een field‑programmable gate array (FPGA), die een vertraagde versie van de trommelbeweging terugstuurt om de aandrijving te moduleren, zodat de huidige staat altijd afhangt van zowel de huidige input als recente trillingen.

Een pomptoon gebruiken om rijke dynamiek te roeren

De kerninnovatie zit in hoe de twee trommels gekoppeld zijn. Geïnspireerd door ideeën uit optomechanica passen de onderzoekers een sterke "pomp"‑aandrijving toe op een speciale frequentie die ligt op een zijband van de hogere‑frequentie trommel. Deze pomp fungeert effectief als een foon‑bus die mechanische energie tussen de twee trommels transporteert. Wanneer een zwakkere "probe"‑aandrijving één trommel exciteert, zet de pomp een deel van die beweging om in trillingen van de andere trommel en weer terug, waardoor interferentiepatronen ontstaan die sterk afhangen van aandrijfsterkte en frequentie‑detuning. Door de pompamplitude zorgvuldig af te stemmen, genereert het team uitgesproken niet-lineaire responsen: kleine veranderingen in aandrijving kunnen versterkte of onderdrukte trillingen veroorzaken. Deze niet‑lineariteiten zijn precies wat reservoir computing nodig heeft om ingangsinformatie te mengen in een hogere-dimensionale ruimte terwijl er toch een vervagend geheugen van eerdere inputs blijft bestaan.

Geheugen- en voorspellingsvermogen testen

Om te kwantificeren hoe goed het kleine trommelsysteem rekent, onderwerpen de auteurs het aan twee standaardbenchmarks. De eerste, de zogeheten parity‑taak, controleert of het systeem meerdere vorige binaire inputs kan onthouden en niet‑lineair kan combineren, wat het kortetermijngeheugen blootlegt. Door te werken in sterk niet‑lineaire pompregimes, vooral waar interferentiepieken scherp zijn, lost het double‑drum reservoir parity‑taken correct op tot enkele tijdstappen terug en bereikt het geheugencapaciteiten vergelijkbaar met eerdere MEMS‑reservoirs met één resonator. De tweede benchmark, bekend als de NARMA‑taak, is veeleisender: die vereist het reproduceren van een tijdreeks waarvan de huidige waarde afhangt van een lange en niet‑lineaire geschiedenis van inputs en outputs. Hier presteert het nieuwe platform matig maar nog niet zo goed als sommige tragere, lagerfrequente MEMS‑systemen, grotendeels omdat de trillingen van de aluminium trommel snel uitdoven en ruis toevoegen, waardoor wordt beperkt hoe ver terug in de tijd het systeem effectief kan onthouden.

Waarom deze kleine leerlingen ertoe doen

Zelfs met deze beperkingen toont het platform indrukwekkende efficiëntie. De gekoppelde trommels nemen slechts enkele tientallen micrometers ruimte in beslag en vereisen femtojoules elektrische energie per ingang om het niet‑lineaire regime te bereiken, met een totaal stroomverbruik in het nanowatt‑bereik. Cruciaal is dat het sideband‑pomp‑schema geen perfect overeenkomende trommelfrequenties vereist en resonatoren kan koppelen die fysiek gescheiden zijn, wat fabricage en opschaling vereenvoudigt. De auteurs voorzien toekomstige chips waarin één trommel (of set trommels) dienstdoet als een gevoelige detector—bijvoorbeeld voor versnelling, druk of licht—terwijl een andere trommel ter plaatse reservoir computing uitvoert op het gemeten signaal. Op deze wijze kan een enkel compact MEMS‑platform zowel waarnemen als "denken", waardoor datatransfer vermindert, energie wordt bespaard en slimmere, autonomere apparaten mogelijk worden.

Bronvermelding: 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

Trefwoorden: reservoir computing, MEMS, neuromorfe hardware, trillingssensoren, edge AI