基于微机电系统（MEMS）的物理储备池计算：非线性动力学、器件架构与传感器内神经形态智能

《Advanced Physics Research》：Physical Reservoir Computing Using Microelectromechanical Systems

　　

人工智能（AI）与边缘计算的日益增长兴趣，推动了对神经形态计算等替代计算框架的需求，以高效处理数据密集型任务。储备池计算（RC）是一种受神经科学启发的复杂时序数据处理方法，利用固定网络（储备池）和简单的可训练读出层。为降低计算复杂度和能耗，物理储备池计算（PRC）通过利用动力物理系统的内在非线性与记忆效应，将这一概念拓展至物理系统。在已提出的PRC不同基底中，微机电系统（MEMS）因其非线性机械行为及与物理刺激的直接相互作用而展现出前景。此外，MEMS器件紧凑、可扩展，已作为传感器与换能器广泛用于商业应用，使其成为低功耗传感器内计算与边缘智能应用的合适选择。本综述讨论基于MEMS的PRC近期进展，重点包括其基本原理、器件架构以及MEMS在神经形态计算应用中的潜力。

1 引言（Introduction）
人工智能（AI）、物联网（IoT）与实时传感处理需要高能效替代计算；冯·诺依曼架构处理与存储分离，前馈神经网络（FNNs）无时序记忆，循环神经网络（RNNs）训练昂贵。储备池计算（RC）以固定非线性储备池和线性读出降低训练成本，物理储备池计算（PRC）利用物理动力学计算；微机电系统（MEMS）具非线性、记忆、紧凑可扩展及传感兼容性，适于低功耗边缘智能。

2 储备池计算（Reservoir Computing）
RC源于回声状态网络（ESNs）和液态状态机（LSMs），由输入层、固定储备池和可训练读出层组成；循环连接形成内在记忆，仅线性读出训练。

2.1 储备池特性（Properties of the Reservoir）
需多维非线性、可分性和噪声鲁棒性，常工作于混沌边缘；回声状态特性（ESP）要求状态由近期输入主导，具衰减退忆和可重复性。

3 物理储备池计算的进展（Advances in Physical Reservoir Computing）
PRC以物理动态替代软件RNN，已用于波形分类、语音和动作识别、时序预测及生物信号处理；光子、自旋电子和电子平台各有优劣。

3.1 光子储备池（Photonic Reservoirs）
光子RC具高带宽、快速低功耗优势，但光延迟线、专用电路和高速采样增加体积成本，时分复用增时延。

3.2 自旋电子储备池（Spintronic Reservoirs）
自旋电子RC紧凑、快速、室温能效高且耐辐射；斯格明子可扩展，但小位移非线性、复位和高电流密度限制实验。

3.3 电子储备池（Electronic Reservoirs）
电子RC用模拟电路、FPGA和忆阻器；忆阻器非线性强、密度高并减少模数转换，但大型系统可扩展性和体积受限。

4 MEMS作为储备池（MEMS as Reservoirs）
MEMS集成微机械与电子电路，工艺成熟，结构含梁、膜和齿轮；其低功耗、可调、抗恶劣环境，本征非线性和瞬态满足RC要求，并与传感器直接相连，利于传感器内模拟计算。

4.1 MEMS中的非线性（Non-Linearities in MEMS）
主要非线性为Duffing立方刚度βx³，导致硬化/软化、频响弯曲、跳跃和滞回，提供非线性编码与短时记忆；瞬态非线性（TNL）与Duffing非线性（DNL）构成混合非线性（HNL）。振动冲击产生非光滑响应，静电平行板力导致软化和吸合失稳；阻尼、热效应、参数共振等可致双稳、分岔与混沌，且相互耦合影响ESP。

4.2 MEMS中的记忆与时序动力学（Memory and Temporal Dynamics in MEMS）
记忆受阻尼和品质因数（Q）控制，T=2Q/ω₀；Duffing滞回提供记忆。延迟耦合以时分复用和延迟环增强记忆，θ≈T较优，反馈增益α需折中；无延迟架构利用HNL和压电节点瞬态及电容—电阻（CR）电路延迟实现衰减退忆。

4.3 MEMS RC性能评估的基准测试（Benchmark Tests for Performance Evaluations of a MEMS RC）
基准测试用于评估处理与记忆能力。

4.3.1 奇偶校验（Parity Check）
n阶延迟奇偶函数需记忆前n?1个输入并非线性组合，以成功率和互信息评估记忆容量。

4.3.2 口述数字分类（Spoken Digit Classification）
采用NIST TI-46子集，经声学特征预处理，以词错误率（WER）和交叉验证评估真实时序数据性能。

4.3.3 NARMA-10
需预测十阶非线性自回归移动平均模型输出，保留最多10步记忆并非线性变换，以归一化均方误差（NMSE）评估。

4.3.4 其他基准测试（Other Benchmark Tests）
包括MNIST、人体动作识别、波形分类和XOR，以成功率、NMSE和精度衡量模式识别。

5 MEMS RC架构（MEMS RC Architectures）
5.1 MEMS作为神经元（MEMS as Neurons）
早期利用MEMS振荡器网络锁相动力学实现模式识别；MEMS架构模拟连续时间循环神经网络（CTRNNs）和动态场理论（DFT），利用双稳、滞回和突跳模拟连续时间循环神经元；平行板MEMS利用吸合/释放滞回实现超低功耗活动识别，梯度型CTRNN（G-CTRNNs）支持模拟训练；三神经元MEMS网络以加速度输入实现传感器内计算。

5.2 基于延迟的MEMS储备池（Delay-Based MEMS Reservoirs）
延迟反馈架构用单谐振器经掩码和时分复用产生虚拟节点，延迟环提供衰减退忆和循环耦合；首个夹—夹梁实验完成奇偶校验、口述数字识别和时序预测，但依赖工作点、反馈和记忆容量，后续以附加反馈和耦合谐振器改善，但复杂度和时延增加。

5.3 无延迟MEMS储备池（MEMS Reservoirs Without Delay）
取消延迟环和外部掩码，输入直接串行施加，以θ形成自掩码状态；TNL提供衰减退忆，DNL提供非线性，合称HNL；关键参数为Q、衰减时间、瞬态和非线性工作区。

5.4 传感器集成与调制型MEMS RC（Sensor-Integrated and Modulation-Based MEMS RC）
目标是实现传感—计算一体，推进边缘计算。

5.4.1 以加速度为输入（Acceleration as the Input）
加速度已用于神经加速度计，但较电压驱动预测精度低、噪声大；以偏置电压复用替代信号时分复用可减少采样保持和模数/数模转换器（ADC/DAC）需求。

5.4.2 频率调制RC（Frequency Modulated RC）
输入加速度直接扰动谐振频率或工作条件，奇偶校验改善；人体活动识别在采样间隔接近衰减时间且滞回诱导双稳切换时准确率高。

5.4.3 刚度调制RC（Stiffness Modulated RC）
自然信号直接注入刚度k，避免时分复用和ADC/DAC；将延迟环和掩码移至数字输出层并增强后处理可恢复预测。基于谐振加速度计的刚度调制RC在NARMA-10和TI-46表现良好，双端音叉物理实现验证可行性，并扩展为模拟—特征（A2F）传感；跨架构比较需考虑节点数、任务和实验条件差异。

6 MEMS储备池计算的新兴技术（Emerging Technologies for MEMS Reservoir Computing）
6.1 压电谐振器（Piezoelectric Resonators）
Pb(Zr,Ti)O₃压电MEMS谐振器以高Q长瞬态和CR延迟实现无延迟RC，材料铁电性提供非线性；压电陶瓷圆盘利用Duffing非线性和欠阻尼瞬态实现无掩码无反馈RC；压电微机械超声换能器（PMUTs）利用膜张力致Duffing非线性和振铃提供短时记忆；声表面波（SAW）储备池利用声波传播，并用相位编码叉指换能器（IDT）和声延迟线增强非线性。

6.2 电热MEMS（Electrothermal MEMS）
热敏电阻阻值随温度变化，焦耳热改变电阻及MEMS谐振频率；随机耦合热敏电阻储备池用于事件检测和时序预测。夹—夹梁焦耳热产生轴向热应力、降低刚度并调谐预屈曲共振频率，近屈曲阈值时非线性更丰富。

6.3 RC的混合方法（Hybrid Approaches to RC）
混合RC结合N/MEMS机械动力学与光学、自旋等；光机械储备池利用机械与光纤非线性拓宽频响，声子腔机电耦合提供节点间非线性，磁隧道结（MTJ）自旋二极管与质量—弹簧集成形成紧凑宽频直接传感储备池；类忆阻谐振器的捏滞回线显示感—算—存一体化可能。

7 MEMS储备池计算的未来（The Future of MEMS Reservoir Computing）
MEMS RC已用于步态事件、癫痫预测、外周动脉疾病（PAD）监测、工具磨损和跌倒检测。挑战包括线性偏好与非线性需求矛盾、临界点易失控、记忆—非线性权衡；多节点耦合、混沌边缘、神经延迟储备池计算（ND-RC）、线性/非线性共存及输入—输出改进（IOI）储备池可缓解。高Q有利低功耗和低噪声但增衰减时间与延迟；单节点延迟架构紧凑但顺序处理慢，多节点可并行但面积和匹配困难，无延迟架构降低顺序延迟，NEMS可提高速率。硬件仍多需ADC/DAC、FPGA、调制/解调、延迟线和外部读出，全模拟系统尚待实现。真实传感器内计算需直接处理自然信号，现有神经加速度计及频率/刚度调制有进展但完整实时边缘系统待开发；制造粘附、噪声、温度稳定性和器件差异影响可靠性，非线性利用与参数优化物理仍待建立。未来需跨学科实现“传感与计算一体”的低功耗智能传感器。

8 结论（Conclusion）
MEMS集感知、计算与存储于一体，紧凑、低功耗、高灵敏且抗恶劣环境；其传感兼容性、本征非线性和衰减退忆使其成为PRC有吸引力的候选。本综述从理论和架构角度梳理MEMS RC，讨论物理原理与优势，回顾从概念验证到传感器集成系统的演进，并指出稳定性、可重复性和长期可靠性挑战；解决这些问题对转化为边缘智能传感器至关重要。