用于时序信号处理的亚阈值模拟 CMOS 水库芯片演示

为什么微小低功耗芯片对智能设备很重要

从健身追踪器到环境传感器，许多设备现在需要识别随时间变化的信号模式——比如声音、温度或振动——而又不能耗尽电池。本文介绍了一种新型超低功耗芯片，它能够高效地学习和预测此类信号，将复杂的“类脑”处理能力更贴近网络边缘那些能量受限的小型设备。

用不同的方式看待人工智能

大多数人把人工智能与运行在耗电服务器上的大型神经网络联系在一起。水库计算是一种更轻量的替代方法，专为处理如语音或混沌运动等时变信息而设计。它并不需要不断重新训练所有内部连接，而是保持内部网络固定，仅调整简单的输出层。当输入信号在固定网络中传播时，会被展开为许多不同的内部状态，使输出层可以利用基本的数学工具更容易地识别模式或预测下一步。

把物理变成计算资源

本研究聚焦于“物理”水库计算，其中网络不仅是软件，而是直接在硬件中实现。先前工作已使用光、磁性材料、纳米尺度网络，甚至软体机器人作为转换输入的物理核心。然而硅芯片仍具吸引力，因为它们可以大批量生产并与现有电子设备集成。作者沿着这一方向开发了一款使用标准 CMOS 工艺的定制模拟芯片，作为时变任务的水库，目标是实现极低功耗、小面积并兼容工业芯片制造。

一圈简单元件记忆过去

芯片的核心是一圈相互连接的节点，称为简单循环水库。每个节点是由三部分构成的模拟电路：一个非线性元件、一个存储电荷的小电容和一个放大器。信号同时进入所有节点，同时以单向顺序从一个节点传到下一个节点。这种布局避免了更复杂网络的布线难题，但仍能产生丰富的内部状态，编码近期和稍远的过去。设计者有意让晶体管在节能的工作区运行，在那里电压的微小变化会产生平滑弯曲的响应，并且有意在节点间改变晶体管尺寸。这些内置差异使每个节点响应略有不同，增加了内部活动的多样性——这对区分和识别时序模式非常有用。

在具有挑战性的信号上测试记忆与预测

为了检验这个紧凑环路的能力，团队首先测量了它记忆和变换过去输入的能力，这一特性称为信息处理能力。芯片不仅表现出强大的“线性”记忆——记住最近的数值——还能够保留这些数值的更复杂、扭曲的版本，这在处理非线性真实过程时至关重要。随后他们转向更困难的测试：需要跨多个时间步组合输入的标准基准问题、预测混沌数学系统的演化，以及预测全球月度地表温度。在这些任务中，芯片的预测序列紧密跟踪真实信号，包括快速波动和长期变暖趋势，同时每核心仅消耗约 20 微瓦的功率——远低于典型数字处理器。

对日常技术意味着什么

简而言之，研究人员展示了一款小型定制模拟芯片可以作为处理时变数据的专用迷你“大脑”，记住足够近期的过去并以有用的方式变换这些记忆以给出准确的预测。由于它以极低功耗运行并采用标准芯片工艺制造，这类水库计算硬件最终可能嵌入到传感器、可穿戴设备或远程环境监测器中，使它们能够在本地分析数据流，而无需不断将所有数据发送到云端。

引用: 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

关键词: 水库计算, 低功耗 AI 硬件, 模拟 CMOS, 时间序列预测, 边缘计算