Demonstration of a subthreshold analog CMOS reservoir chip for temporal signal processing

Varför små, låg‑effektiva chip spelar roll för smarta enheter

Från aktivitetsarmband till miljösensorer behöver många prylar i dag känna igen mönster i signaler som förändras över tid — som ljud, temperaturer eller vibrationer — utan att tömma batteriet. Denna artikel beskriver en ny typ av ultralåg‑effektchip som kan lära sig och förutsäga sådana signaler effektivt, och därmed föra avancerad, ”hjärnlik” bearbetning närmare små, energibegränsade enheter i nätverkets utkant.

Ett annat sätt att tänka på artificiell intelligens

De flesta förknippar artificiell intelligens med stora neurala nätverk som körs på strömkrävande servrar. Reservoir computing är ett lättviktsalternativ byggt för att hantera tidsvarierande information, såsom tal eller kaotiska rörelser. Istället för att ständigt träna om alla interna kopplingar behåller reservoir computing ett internt nätverk fast och justerar endast ett enkelt utdatalager. När inkommande signaler sprids genom det fasta nätverket fördelas de i många olika interna tillstånd, vilket gör det lättare för utdata­lagret att känna igen mönster eller förutsäga vad som kommer härnäst med hjälp av grundläggande matematiska verktyg.

Att förvandla fysik till en beräkningsresurs

Studien fokuserar på ”fysisk” reservoir computing, där nätverket inte bara är mjukvara utan förkroppsligas direkt i hårdvara. Tidigare arbete har använt ljus, magnetiska material, nanoskaliga nätverk och till och med mjuka robotar som den fysiska kärnan som transformera ingångar. Kiselchipp är dock attraktiva eftersom de kan massproduceras och integreras med befintlig elektronik. Författarna bygger vidare på denna riktning genom att skapa ett specialanpassat analogt chip i standard CMOS‑teknik som fungerar som ett reservoir för tidsberoende uppgifter, med målet mycket låg energiförbrukning, liten yta och kompatibilitet med industriell chip‑tillverkning.

En ring av enkla element som minns det förflutna

I hjärtat av chippet finns en enkel ring av sammankopplade noder, kallad ett simple cycle reservoir. Varje nod är en analog krets med tre huvuddelar: ett icke‑linjärt element, en liten kondensator som lagrar laddning, och en förstärkare. Signaler går in i alla noder samtidigt samtidigt som de passerar från en nod till nästa i en enda riktning runt ringen. Denna layout undviker kabelkomplexiteten hos mer intrasslade nätverk men ger ändå en rik blandning av interna tillstånd som kodar både den senaste och något äldre historien. Konstruktörerna driver transistorerna i ett energisparande läge där små spänningsändringar ger mjukt böjda svar, och de varierar avsiktligt transistorstorlekar från nod till nod. Dessa inbyggda skillnader gör att varje nod reagerar något unikt, vilket ökar mångfalden i intern aktivitet — användbart för att separera och känna igen tidsmässiga mönster.

Test av minne och prediktion på krävande signaler

För att se hur kapabel denna kompakta ring är mäter teamet först hur väl den kan minnas och transformera tidigare ingångar, en egenskap kallad information processing capacity. Chippet visar inte bara starkt ”linjärt” minne — att komma ihåg nyligen värden — utan även en förmåga att bevara mer komplexa, förvrängda versioner av dessa värden, vilket är avgörande vid hantering av icke‑linjära processer i verkligheten. De går sedan vidare till tuffare tester: standardbenchmarks som kräver att kombinera ingångar över flera tidssteg, att förutsäga svängningarna i ett kaotiskt matematiskt system, och att prognosticera månatliga globala yttemperaturer. I dessa uppgifter följer chipets prognostiserade sekvenser de verkliga signalerna tätt, inklusive både snabba fluktuationer och långsiktiga uppvärmningstrender, samtidigt som det drar endast omkring 20 microwatt per kärna — långt mindre än typiska digitala processorer.

Vad detta betyder för vardagsteknik

Enkelt uttryckt har forskarna visat att ett litet, specialanpassat analogt chip kan fungera som en specialiserad mini‑hjärna för tidsvarierande data, minnas lagom mycket av det senaste och forma dessa minnen på användbara sätt för att göra precisa förutsägelser. Eftersom det körs med extremt låg effekt och är byggt med standardchipteknik kan denna typ av reservoir‑computing‑hårdvara så småningom integreras i sensorer, wearables eller avlägsna miljöövervakare, vilket gör det möjligt för dem att analysera datastreams på plats istället för att ständigt skicka allt till molnet.

Citering: 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

Nyckelord: reservoir computing, low-power AI hardware, analog CMOS, time-series prediction, edge computing