通过边带抽运的声子–腔体动力学，利用耦合微机电鼓式谐振器实现水库计算

能够从振动中学习的微小智能鼓

想象一下，如果传感器不仅能检测信号，还能就地从中学习并进行预测会怎样。本文展示了如何在芯片上用一对显微级振动“鼓”构成一个简单的学习机，为无需向远端计算机发送数据即可感知、处理和决策的小型设备开辟了道路。

把振动变成计算

这项工作基于一种处理随时间展开信息的机器学习分支——水库计算，适用于语音、心跳或地震信号等时间序列问题。与训练大型人工神经网络不同，水库计算将输入信号注入一个复杂的物理系统，其内部动力学自然地混合并记忆过去的输入，只有最终的输出层需要训练，从而大幅降低能耗和硬件成本。作者使用的是微机电系统（MEMS）：一些可以在电驱动和电读出下以兆赫级别振动的微小机械部件。MEMS已广泛用于智能手机和汽车的传感器，其固有的非线性振动和有限的“衰减”时间使得它们非常适合作为物理水库。

芯片上的一对耦合鼓

本研究核心器件是一个“双鼓”谐振器：两片圆形薄膜，一片为氮化硅，一片为铝，它们堆叠并在中间留有微小缝隙。每个鼓的振动频率位于兆赫量级，并通过间隙电容的变化进行电耦合。微波电路用于高灵敏度地驱动和监测它们的运动。为实现水库计算，作者将这一物理结构视为单个节点，然后通过延时环路将输入的不同时间切片映射为数百个所谓的虚拟节点。该延时在现场可编程门阵列（FPGA）上以数字方式实现，FPGA将鼓的运动的延时版本反馈回去调制驱动，因此系统当前状态既依赖于当前输入，也依赖于近期的振动历史。

用抽运音调搅动丰富动力学

关键创新在于两鼓之间的耦合方式。借鉴光机械学的思想，研究者在高频鼓的边带处施加一个强“抽运”驱动。这个抽运实际上充当声子总线，在两鼓之间传输机械能。当一个较弱的“探测”驱动激励其中一只鼓时，抽运会把部分运动转换到另一只鼓再转换回来，产生强烈依赖于驱动幅度和频率失谐的干涉图样。通过精细调节抽运幅度，团队产生了明显的非线性响应：驱动的小变化可以引起振动的放大或抑制。这些非线性恰恰是水库计算所需要的，它们可以将输入信息混合到更高维的空间，同时保留对过去输入的衰减记忆。

测试记忆与预测能力

为了量化微小鼓系统的计算能力，作者对其进行了两项标准基准测试。第一项称为奇偶校验任务，检验系统是否能够记住并以非线性方式组合若干过去的二进制输入，从而揭示其短期记忆容量。通过在强非线性抽运工作点操作，尤其是在干涉峰值尖锐的区域，双鼓水库能够正确解决若干时步内的奇偶任务，并取得与先前单谐振MEMS水库相当的记忆容量。第二项基准称为NARMA任务，要求更高：需要重构一个当前值依赖于长时且非线性历史的时间序列。在这项测试中，新平台表现中等，但尚不及某些更慢、低频的MEMS系统，这主要是因为铝鼓的振动衰减较快并引入噪声，限制了系统有效回忆的时间深度。

这些微小学习器为何重要

即便存在这些限制，该平台仍展示出令人印象深刻的效率。耦合鼓的占地仅为几十微米量级，每次输入进入非线性工作点所需的电能为飞焦耳级，整体功耗在纳瓦范围内。关键是，边带抽运方案不要求鼓的频率完全匹配，并且可以连接物理上分离的谐振器，简化了制造和扩展性。作者设想未来的芯片中，一只鼓（或一组鼓）作为灵敏探测器——例如测加速度、压力或光——而另一只鼓则对测得信号现场执行水库计算。通过这种方式，单一紧凑的MEMS平台既能感知又能“思考”，减少数据传输、节约能量，并使设备更智能、更自主。

引用: 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

关键词: 水库计算, MEMS, 类脑硬件, 振动传感器, 边缘人工智能