Реализация reservoir computing с использованием связанных микроэлектромеханических барабанных резонаторов через сайдбенд‑помпинг фонон‑кавитарной динамики

Умные крошечные барабаны, которые учатся на вибрациях

Представьте себе датчик, который не только регистрирует сигнал, но и учится на нём и сразу делает прогнозы. В этой статье показано, как пара микроскопических вибрирующих «барабанов» на чипе может выступать в роли простой обучаемой машины, открывая путь к устройствам, которые ощущают, обрабатывают и принимают решения без отправки данных на удалённые компьютеры.

Преобразование вибраций в вычисления

Работа опирается на направление машинного обучения, называемое reservoir computing, предназначенное для работы с информацией, разворачивающейся во времени — например, с речью, сердечным ритмом или сейсмическими сигналами. Вместо обучения большой сети искусственных нейронов, reservoir computing подаёт входной сигнал в сложную физическую систему, чья внутренняя динамика естественным образом смешивает и запоминает предыдущие входы. Обучается только конечный выходной слой, что существенно снижает энергопотребление и аппаратные затраты. Авторы используют микроэлектромеханические системы (MEMS): крошечные механические элементы, которые могут вибрировать миллионы раз в секунду и при этом управляться и считываться электрически. MEMS уже широко применяются в смартфонах и автомобилях; их естественные нелинейные колебания и конечное время «затухания» делают их хорошо подходящими в роли физических резервуаров.

Пара связанных барабанов на чипе

Устройство в центре исследования — это резонатор «двойной барабан»: две круговые мембраны, одна из нитрида кремния, другая из алюминия, уложенные друг над другом с крошечным зазором. У каждого барабана своя частота колебаний в мегагерцовом диапазоне, и они связаны электрически через меняющуюся ёмкость по зазору. Микроволновая схема используется для возбуждения и высокочувствительного считывания их движения. Для реализации reservoir computing авторы рассматривают эту физическую структуру как один узел, а затем создают сотни так называемых виртуальных узлов, подавая разные временные срезы входа через петлю задержки. Задержка реализована цифрово на программируемой логической матрице (FPGA), которая посылает задержанную версию движения барабана обратно, чтобы модулировать возбуждение, так что текущее состояние всегда зависит и от настоящего входа, и от недавних вибраций.

Использование помп‑тона для возбуждения богатой динамики

Ключевое новшество заключается в способе связи двух барабанов. Перенимая идеи из оптомеханики, исследователи подают сильное «помповое» возбуждение на особой частоте, расположенной на сайдбенде более высокочастотного барабана. Этот помп по сути действует как фононный шина, перенося механическую энергию между барабанами. Когда более слабое «зондовое» возбуждение приводит в движение один барабан, помп преобразует часть этого движения в колебания другого барабана и затем обратно, формируя интерференционные картины, которые сильно зависят от силы возбуждения и частотного расстройствования. Тщательно настраивая амплитуду помпа, команда добивается выраженных нелинейных откликов: небольшие изменения возбуждения могут приводить к усилению или подавлению колебаний. Эти нелинейности как раз необходимы reservoir computing, чтобы смешивать входную информацию в пространство более высокой размерности, одновременно сохраняя затухающую память о предыдущих входах.

Тестирование памяти и предсказательных способностей

Чтобы оценить вычислительные свойства системы крошечных барабанов, авторы подвергают её двум стандартным бенчмаркам. Первый, называемый задачей чётности (parity task), проверяет, может ли система запоминать и нелинейно комбинировать несколько прошлых бинарных входов, раскрывая её краткосрочную память. Работая в сильно нелинейных режимах помпа, особенно там, где интерференционные пики остры, двойной барабанный резервуар корректно решает задачи чётности для нескольких предыдущих временных шагов и демонстрирует ёмкость памяти, сопоставимую с ранее исследованными резервуарами на одном резонаторе MEMS. Второй бенчмарк, известный как NARMA, более требователен: он требует воспроизведения временного ряда, текущее значение которого зависит от длинной и нелинейной истории входов и выходов. Здесь новая платформа показывает умеренные результаты, но пока уступает некоторым более медленным, низкочастотным MEMS-системам, в основном из‑за того, что колебания алюминиевого барабана быстро затухают и вносят шум, ограничивая глубину времени, на которую система эффективно запоминает.

Почему эти крошечные «ученики» важны

Даже с этими ограничениями платформа демонстрирует впечатляющую эффективность. Связанные барабаны занимают всего несколько десятков микрометров в поперечнике и требуют фемтоджо электрической энергии на вход, чтобы выйти в нелинейный режим, при общем потреблении мощности в нановаттном диапазоне. Важно, что схема сайдбенд‑помпинга не требует идеально совпадающих частот барабанов и может связывать резонаторы, физически разнесённые друг от друга, что упрощает изготовление и масштабирование. Авторы представляют будущие чипы, где один барабан (или набор барабанов) служит чувствительным детектором — например, ускорения, давления или света — в то время как другой барабан выполняет локальное reservoir computing по измеренному сигналу. Таким образом единая компактная MEMS‑платформа могла бы одновременно ощущать и «думать», сокращая передачу данных, экономя энергию и обеспечивая более умные, автономные устройства.

Цитирование: 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

Ключевые слова: reservoir computing, MEMS, нейроморфное оборудование, вибрационные датчики, edge AI