Demonstratie van een subdrempel analoge CMOS-reservoirchip voor temporele signaalverwerking

Waarom kleine, energiezuinige chips belangrijk zijn voor slimme apparaten

Van fitnesstrackers tot milieuxensoren: veel apparaatjes moeten tegenwoordig patronen herkennen in signalen die in de tijd variëren—zoals geluiden, temperaturen of trillingen—zonder hun batterij snel leeg te trekken. Dit artikel beschrijft een nieuw type ultralaagvermogenchip die zulke signalen efficiënt kan leren en voorspellen, en daarmee geavanceerde "hersenchachtige" verwerking dichterbij kleine, energie‑beperkte apparaten aan de rand van het netwerk brengt.

Een andere manier om over kunstmatige intelligentie te denken

De meeste mensen associëren kunstmatige intelligentie met grote neurale netwerken die draaien op energieverslindende servers. Reservoir computing is een lichtere optie, speciaal ontworpen voor het verwerken van tijdsvariabele informatie, zoals spraak of chaotische bewegingen. In plaats van voortdurend alle interne verbindingen te hertrainen, houdt reservoir computing een intern netwerk vast en past alleen een eenvoudige uitlaag aan. Terwijl inkomende signalen door het vaste netwerk vloeien, worden ze uitgespreid over vele verschillende interne toestanden, waardoor het voor de uitlaag eenvoudiger wordt patronen te herkennen of te voorspellen wat er hierna komt met behulp van basale wiskundige middelen.

De fysica inzetten als rekenresource

De studie richt zich op "fysieke" reservoir computing, waarbij het netwerk niet alleen software is maar direct in hardware is belichaamd. Eerder werk gebruikte licht, magnetische materialen, nanonetwerken en zelfs zachte robots als de fysieke kern die inputs transformeert. Siliciumchips blijven echter aantrekkelijk omdat ze massaproductie toelaten en geïntegreerd kunnen worden met bestaande elektronica. De auteurs bouwen voort op deze richting door een aangepaste analoge chip in standaard CMOS-technologie te maken die fungeert als reservoir voor tijdsafhankelijke taken, met als doel zeer laag energieverbruik, klein oppervlak en compatibiliteit met industriële chipfabricage.

Een ring van eenvoudige elementen die zich het verleden herinnert

Centraal in de chip staat een eenvoudige ring van onderling verbonden knooppunten, een zogenoemd simple cycle reservoir. Elk knooppunt is een analoog circuit met drie hoofdonderdelen: een niet-lineair element, een klein condensatortje dat lading opslaat, en een versterker. Signalen komen tegelijkertijd in alle knooppunten binnen en gaan ook van het ene naar het volgende knooppunt in één richting rondom de ring. Deze opzet voorkomt de bedradingcomplexiteit van meer verwarde netwerken, maar levert toch een rijke mix van interne toestanden op die zowel het recente als iets oudere verleden coderen. De ontwerpers laten de transistors bewust in een energiezuinig regime werken waarbij kleine spanningsveranderingen vloeiende, gebogen responsen veroorzaken, en ze variëren doelbewust de transistorafmetingen van knooppunt tot knooppunt. Deze ingebouwde verschillen laten elk knooppunt enigszins uniek reageren, wat de diversiteit van de interne activiteit vergroot—nuttig om patronen in de tijd te scheiden en te herkennen.

Het testen van geheugen en voorspelling op uitdagende signalen

Om te onderzoeken hoe capabel deze compacte ring is, meet het team eerst hoe goed hij eerdere inputs kan onthouden en transformeren, een eigenschap die informatieverwerkingscapaciteit heet. De chip toont niet alleen sterk "lineair" geheugen—het onthouden van recente waarden—maar ook het vermogen om complexere, vervormde versies van die waarden te behouden, wat cruciaal is bij het omgaan met niet-lineaire processen uit de echte wereld. Vervolgens gaan ze naar zwaardere tests: standaard benchmarkproblemen die vereisen dat inputs over meerdere tijdstappen gecombineerd worden, het voorspellen van de slingeringen van een chaotisch wiskundig systeem, en het voorspellen van maandelijkse mondiale oppervlaktetemperaturen. In deze taken volgen de door de chip voorspelde reeksen de werkelijke signalen nauwgezet, inclusief zowel snelle schommelingen als langetermijnopwarmingstrends, terwijl ze slechts ongeveer 20 microwatt stroom per kern verbruiken—veel minder dan typische digitale processors.

Wat dit betekent voor alledaagse technologie

Simpel gezegd hebben de onderzoekers aangetoond dat een kleine, aangepaste analoge chip kan fungeren als een gespecialiseerde mini‑hersenen voor tijdsvariabele data, die net genoeg van het recente verleden onthoudt en die herinneringen op nuttige manieren vervormt om nauwkeurige voorspellingen te maken. Omdat hij op extreem laag vermogen werkt en met standaard chiptechnologie is gebouwd, zou dit soort reservoircomputing‑hardware uiteindelijk ingebed kunnen worden in sensoren, draagbare apparaten of externe milieuxensors, zodat ze datastromen ter plaatse kunnen analyseren in plaats van alles continu naar de cloud te sturen.

Bronvermelding: Matsuno, S., Yuki, A., Ando, K. et al. Demonstration of a subthreshold analog CMOS reservoir chip for temporal signal processing. npj Unconv. Comput. 3, 12 (2026). https://doi.org/10.1038/s44335-026-00059-3

Trefwoorden: reservoir computing, laagvermogen AI-hardware, analoog CMOS, tijdreeksvoorspelling, edge computing