Implementacja obliczeń rezerwuarowych przy użyciu sprzężonych mikroelektromechanicznych rezonatorów membranowych z dynamiką rezonator‑fonon napędzaną bocznym pasmem

Inteligentne maleńkie membrany uczące się z drgań

Wyobraź sobie czujnik, który nie tylko wykrywa sygnał, lecz także uczy się na jego podstawie i od razu dokonuje predykcji. Artykuł pokazuje, jak para mikroskopijnych „membran‑bębenków” na układzie scalonym może działać jako prosta maszyna ucząca, otwierając drogę do urządzeń, które rejestrują, przetwarzają i podejmują decyzje bez wysyłania danych do odległych komputerów.

Przekształcanie drgań w obliczenia

Praca opiera się na gałęzi uczenia maszynowego zwanej obliczeniami rezerwuarowymi, stworzonej do obsługi informacji rozwijających się w czasie — takich jak mowa, rytm serca czy sygnały sejsmiczne. Zamiast trenować dużą sieć sztucznych neuronów, obliczenia rezerwuarowe wprowadzają sygnał wejściowy do złożonego systemu fizycznego, którego wewnętrzna dynamika naturalnie miesza i „pamięta” przeszłe wejścia. Trenowany jest jedynie etap wyjściowy, co znacząco zmniejsza zużycie energii i koszty sprzętowe. Autorzy wykorzystują mikro‑elektro‑mechaniczne systemy (MEMS): maleńkie elementy mechaniczne mogące drgać miliony razy na sekundę i jednocześnie być napędzane oraz odczytywane elektrycznie. MEMS są już szeroko stosowane jako czujniki w smartfonach i samochodach, a ich naturalne nieliniowe drgania i skończone czasy zaniku („ring‑down”) czynią je dobrze dopasowanymi jako fizyczne rezerwuary.

Para sprzężonych membran na chipie

Urządzeniem będącym osią badawczą jest rezonator „podwójnej membrany”: dwie okrągłe memrany, jedna z azotku krzemu, druga z aluminium, ułożone jedna nad drugą z niewielką przerwą między nimi. Każda membrana ma swoją częstotliwość drgań w zakresie megaherców i są one połączone elektrycznie przez zmieniającą się pojemność w szczelinie. Obwód mikrofalowy służy do napędzania i monitorowania ich ruchu z dużą czułością. Aby zrealizować obliczenia rezerwuarowe, autorzy traktują tę strukturę fizyczną jako pojedynczy węzeł, a następnie tworzą setki tzw. wirtualnych węzłów poprzez wprowadzanie różnych wycinków czasowych sygnału wejściowego za pomocą pętli opóźniającej. Opóźnienie jest realizowane cyfrowo na programowalnej matrycy logicznej (FPGA), która wysyła opóźnioną wersję ruchu membrany z powrotem, modulując napęd, tak że bieżący stan zależy zarówno od obecnego wejścia, jak i niedawnych drgań.

Użycie tonu pompującego do wzbudzenia złożonej dynamiki

Kluczowa innowacja tkwi w sposobie sprzężenia obu membran. Czerpiąc pomysły z optomechaniki, badacze stosują silny sygnał „pompujący” o specjalnej częstotliwości leżącej na bocznym paśmie wyższej częstotliwości membrany. Ten pompa działa efektywnie jak magistrala fononowa, przenosząc energię mechaniczną między membranami. Gdy słabszy sygnał „sondujący” wzbudza jedną membranę, pompa konwertuje część tego ruchu na drgania drugiej membrany i z powrotem, tworząc wzory interferencyjne silnie zależne od siły napędu i odstrojenia częstotliwości. Poprzez staranne dostrojenie amplitudy pompy zespół generuje wyraźne odpowiedzi nieliniowe: niewielkie zmiany napędu mogą powodować wzmocnione lub stłumione drgania. Te nieliniowości są właśnie tym, czego potrzebują obliczenia rezerwuarowe, aby przekształcić informację wejściową w przestrzeń o wyższej wymiarowości, zachowując jednocześnie zanikanie pamięci o poprzednich wejściach.

Testowanie pamięci i zdolności predykcyjnych

Aby zmierzyć sprawność systemu, autorzy poddają go dwóm standardowym testom. Pierwszy, zwany zadaniem parzystości, sprawdza, czy system potrafi zapamiętać i nieliniowo połączyć kilka poprzednich wejść binarnych, ujawniając jego pojemność pamięci krótkotrwałej. Działając w silnie nieliniowych reżimach pompowania, szczególnie tam, gdzie piki interferencyjne są ostre, rezerwuar z podwójnej membrany poprawnie rozwiązuje zadania parzystości obejmujące kilka kroków wstecz i osiąga pojemności pamięci porównywalne z wcześniejszymi rezerwuarami MEMS opartymi na pojedynczych rezonatorach. Drugi benchmark, znany jako zadanie NARMA, jest bardziej wymagający: polega na odtworzeniu szeregu czasowego, którego bieżąca wartość zależy od długiej i nieliniowej historii wejść i wyjść. W tym przypadku nowa platforma radzi sobie umiarkowanie, ale jeszcze nie tak dobrze jak niektóre wolniejsze, o niższych częstotliwościach systemy MEMS, głównie dlatego, że drgania aluminiowej membrany szybko zanikają i wprowadzają szum, ograniczając horyzont pamięci systemu.

Dlaczego te maleńkie „uczniowie” mają znaczenie

Nawet z tymi ograniczeniami platforma wykazuje imponującą efektywność. Sprzężone membrany zajmują tylko kilkadziesiąt mikrometrów na boku i wymagają femtodżuli energii elektrycznej na wejście, by osiągnąć reżim nieliniowy, przy całkowitym poborze mocy w zakresie nanowatów. Co istotne, schemat pompowania bocznego nie wymaga idealnie dopasowanych częstotliwości membran i może łączyć rezonatory fizycznie rozdzielone, upraszczając wytwarzanie i skalowanie. Autorzy wyobrażają sobie przyszłe układy, w których jedna membrana (lub zestaw membran) pełni rolę czułego detektora — na przykład przyspieszenia, ciśnienia czy światła — podczas gdy inna membrana wykonuje na miejscu obliczenia rezerwuarowe na zmierzonym sygnale. W ten sposób pojedyncza kompaktowa platforma MEMS mogłaby jednocześnie mierzyć i „myśleć”, zmniejszając transfer danych, oszczędzając energię i umożliwiając inteligentniejsze, bardziej autonomiczne urządzenia.

Cytowanie: 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

Słowa kluczowe: obliczenia rezerwuarowe, MEMS, sprzęt neuromorficzny, czujniki drgań, edge AI