Implementering av reservoir computing med kopplade mikroelektromekaniska trumresonatorer via sidbands-pumpad fonon-kavitetdynamik

Smarta små trummor som lär sig av vibrationer

Föreställ dig att en sensor inte bara kunde detektera en signal utan även lära sig av den och göra förutsägelser på plats. Denna artikel visar hur ett par mikroskopiska vibrerande ”trummor” på ett chip kan fungera som en enkel inlärningsmaskin, och öppnar en väg mot prylar som känner, bearbetar och fattar beslut utan att skicka data till avlägsna datorer.

Att förvandla vibrationer till beräkning

Arbetet bygger på en gren av maskininlärning kallad reservoir computing, utformad för att hantera information som utvecklas över tid—såsom talade ord, hjärtslag eller seismiska signaler. Istället för att träna ett stort nätverk av artificiella neuroner matar man in en signal i ett komplext fysiskt system vars interna dynamik naturligt blandar och kommer ihåg tidigare insignaleringar. Endast det sista utmatningsstadiet tränas, vilket kraftigt minskar energiförbrukning och hårdvarukostnader. Författarna använder mikroelektro‑mekaniska system (MEMS): små mekaniska delar som kan vibrera miljoner gånger per sekund samtidigt som de drivs och avläses elektriskt. MEMS används redan i stor utsträckning som sensorer i smartphones och bilar, och deras naturliga icke‑linjära vibrationer och ändliga ”ring‑down”-tider gör dem väl lämpade som fysiska reservoirs.

Ett par kopplade trummor på ett chip

Enheten i centrum för denna studie är en ”dubbeltrumma”-resonator: två cirkulära membran, ett av kisel-nitrid och ett av aluminium, staplade med ett mycket litet mellanrum däremellan. Varje trumma har egen vibrationsfrekvens i megahertz‑området, och de är elektriskt kopplade genom den varierande kapacitansen över gapet. En mikrovågskrets används för att driva och övervaka deras rörelse med stor känslighet. För att implementera reservoir computing behandlar författarna denna fysiska struktur som en enda nod och skapar sedan hundratals så kallade virtuella noder genom att mata olika tidssegment av insignalen genom en fördröjningsslinga. Fördröjningen implementeras digitalt på en FPGA (field‑programmable gate array), som skickar en fördröjd version av trummornas rörelse tillbaka för att modulera drivningen, så att det aktuella tillståndet alltid beror på både nuvarande insignal och den närliggande förflutna vibrationerna.

Att använda en pumpton för att skapa rik dynamik

Den centrala innovationen ligger i hur de två trummorna kopplas. Med inspiration från optomekanik applicerar forskarna en stark ”pump”-drivning vid en speciell frekvens som ligger på en sidband av den högfrekventa trumman. Denna pump fungerar i praktiken som en fononbuss och för mekanisk energi mellan de två trummorna. När en svagare ”probe”-drivning exciterar en trumma omvandlar pumpen en del av den rörelsen till vibrationer i den andra trumman och sedan tillbaka, vilket skapar interferensmönster som starkt beror på drivstyrka och frekvensdetsuning. Genom att noggrant ställa in pumpamplituden genererar teamet uttalade icke‑linjära responser: små ändringar i drivningen kan ge upphov till förstärkta eller dämpade vibrationer. Dessa icke‑lineariteter är precis vad reservoir computing behöver för att blanda insignalinformation till ett högre‑dimensionellt rum samtidigt som en avtagande minnesförmåga av tidigare insignaler bibehålls.

Test av minnes- och prediktionsförmåga

För att kvantifiera hur bra det lilla trumssystemet beräknar utsätter författarna det för två standardbenchmarks. Den första, kallad parity task, kontrollerar om systemet kan komma ihåg och icke‑linjärt kombinera flera tidigare binära insignaler, vilket avslöjar dess korttidsminneskapacitet. Genom att operera i starkt icke‑linjära pumpregimer, särskilt där interferenstoppar är skarpa, löser dubbeltrummans reservoir korrekt parity‑uppgifter flera tidssteg bakåt och uppnår minneskapaciteter jämförbara med tidigare enkla‑resonator MEMS‑reservoirs. Den andra benchmarken, känd som NARMA‑uppgiften, är mer krävande: den kräver att reproducera en tidsserie där det aktuella värdet beror på en lång och icke‑linjär historia av insignaler och utdata. Här presterar den nya plattformen måttligt men ännu inte lika bra som vissa långsammare, lägre‑frekventa MEMS‑system, huvudsakligen eftersom aluminiumtrummans vibrationer avklingar snabbt och tillför brus, vilket begränsar hur långt tillbaka i tiden systemet effektivt kan minnas.

Varför dessa små lärande enheter spelar roll

Trots dessa begränsningar visar plattformen imponerande effektivitet. De kopplade trummorna upptar bara några tiotals mikrometer i sidled och kräver femtojoule elektrisk energi per insignal för att nå det icke‑linjära registret, med total effektförbrukning i nanowatt‑området. Viktigt är att sidbands‑pumpningsschemat inte kräver perfekt matchade trumfrekvenser och kan länka resonatorer som är fysiskt åtskilda, vilket förenklar tillverkning och skalning. Författarna föreställer sig framtida chip där en trumma (eller uppsättning trummor) fungerar som en känslig detektor—till exempel för acceleration, tryck eller ljus—medan en annan trumma utför reservoir computing på den uppmätta signalen på plats. På detta sätt skulle en enda kompakt MEMS‑plattform både kunna känna och ”tänka”, minska datatransfer, spara energi och möjliggöra smartare, mer autonoma enheter.

Citering: 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

Nyckelord: reservoir computing, MEMS, neuromorf hårdvara, vibrationssensorer, edge AI