基于MEMS谐振器的物理储备计算及其在边缘AI应用中的实现

逍遥设计自动化

引言
人工智能和机器学习的快速发展带来了显著突破，包括生成式AI的出现。但这些进展也伴随着计算成本的增加。虽然目前以云端AI为主，但随着数据量的增长，需要在终端设备上直接处理信息的边缘计算解决方案。物理储备计算(PRC)已经成为具有发展潜力的技术，可以在有限的计算资源条件下执行模式识别和其他复杂任务[1]。

k0f5wolik4a64044063729.png

1
7 F5 i- e* u3 e物理储备计算系统架构
本研究中的PRC系统采用在硅绝缘体(SOI)衬底上通过常规MEMS工艺制造的压电MEMS谐振器。谐振器采用溅射沉积的3μm厚的Pb(Zr,Ti)O3薄膜。

110vjaykroh64044063829.png

' l% }6 |$ J* p图1展示了(a)具有两个谐振器(P1和P2)的压电MEMS器件照片，以及(b)物理储备计算系统的线路图，说明了节点A、B和C之间的连接。
( w, J" y" D" Y" B- c: e
! [6 n8 W8 j2 F6 S; K% B谐振器采用长度为6mm的悬臂梁结构，自由端带有质量块。梁的厚度为20μm，上面沉积有压电薄膜。系统使用两个谐振器(P1和P2)，质量块质量相同(3.6mg)，谐振频率约为193.2Hz。分析表明，电机耦合系数(K2)为0.23%，机械品质因数(Qm)约为250。
9 P) l0 O& g" N0 O$ U
2
" [+ w9 A* }5 k) d+ G" q) \系统运行和信号处理
! p6 l5 A& `: V9 m9 KPRC系统通过同时振动刺激两个节点产生电压输出。由于压电谐振器产生的电压相对较小，约为0.1V，使用运算放大器将信号放大到数伏。系统利用谐振器的瞬态响应实现短期记忆特性。
8 J& `7 B* J- H: l9 ]: _

ffe0k54c03e64044063929.png

  T; Y8 |# E- l; W) o1 |: ]: ]4 I图2展示了(a)输入加速度波形，以及(b)节点A、(c)节点B和(d)节点C的输出电压波形，显示了系统对随机二进制数据输入的响应。
: Z$ n1 P4 z) r# C
% e* n9 w0 n* n' ~: A+ g; s为调节短期记忆持续时间，P1的输出(节点A)通过CR线路处理，产生时间常数为1000ms的延迟信号(节点B)。这个延迟信号驱动场效应晶体管(FET)的栅极，调制沟道电阻。压电MEMS谐振器具有高输出阻抗(~MΩ)，使输出电压依赖于负载电阻，当FET作为P1的可变负载电阻时，实现节点间的电耦合。
9 W+ J$ X/ b$ t' R
0 F$ n9 K* f9 ~: p3
性能评估和分析
使用t-分布随机近邻嵌入(t-SNE)可视化和NARMA(非线性自回归移动平均)预测任务评估系统的模式识别能力。

5lkhsadjwnn64044064029.png

! d4 D1 C' u4 L' r图3展示了4位数字输入分类的t-SNE分析结果，显示了不同输入模式之间的清晰分离。
% E* n- v) M8 w2 M8 W: r; `' `
对于NARMA任务评估，系统处理了1000个随机二进制数据点，通过将数据集分为五部分进行交叉验证 - 四部分用于训练，一部分用于测试。振动频率和加速度分别保持在193.7Hz和2m/s2。
% o& O6 J+ B: L7 _$ B) {& r

ehyge4f4a4n64044064129.png

图4显示了(a)输入时间序列和(b-d)不同NARMA模型阶数(m=2-4)的目标输出与预测输出对比，展示了系统的预测能力。

% f# h; e. ]; V$ S

ptqbqrfrley64044064229.png

图5说明了(a)NARMA阶数m与NMSE的关系，以及(b)不同数据位周期在各种NARMA阶数(m=2-4)下的NMSE值。

; n) h- m7 P2 a系统在NARMA阶数m=2时达到最佳性能，最小NMSE为0.0054，比先前的静电MEMS谐振器实现提高了十倍。随着NARMA阶数增加，性能下降，表明系统的有效短期记忆跨度约为三个前序步骤。

4
/ h% _0 ]+ t1 r5 ~/ A# z/ }边缘AI应用和未来展望
+ K5 n, N  ~" C3 c% T2 y# H! }# u计算性能与储备层时间常数之间的关系对边缘AI应用具有重要意义。环境信号如振动和温度通常具有秒级或更长的周期。结果表明，PRC系统应将响应时间与这些自然信号周期相匹配以获得最佳性能。这标志着与传统信息处理的范式转变，传统方法通常追求更快的响应时间。在PRC应用中，当与目标信号特性正确匹配时，即使相对缓慢的物理现象如机械谐振器也能发挥优势。
* t" J* i. H& S) }6 q) a+ E: j4 ^
压电MEMS方法为边缘AI实现提供了多个优势。压电机制能够简单地将机械输入转换为电信号，便于多个传感器的空间复用。系统在原生时间域处理信号的能力使其特别适合实际模式识别任务。

研究证明，通过相对简单的硬件架构实现机器学习操作，在计算资源受限的场景下实现边缘AI应用。未来的发展可能集中在优化谐振器特性和耦合机制，以增强特定应用领域的性能表现。
  d5 a: S2 C; J0 Q% \
本研究表明，基于压电MEMS的物理储备计算为高效边缘AI系统提供了可行方案，能够以最小的计算开销执行复杂的模式识别任务。系统时间特性与实际信号匹配的能力为智能传感器系统和边缘计算应用创造了新机遇。

参考文献
" K+ S/ R" h  Z% h- p4 g9 J6 [[1] T. Yoshimura, "Physical Reservoir Computing Using Piezoelectric MEMS Resonators and Prospects for Edge AI Devices," in Proc. 68th Annu. Conf. Inst. Syst. Control Inf. Eng. (ISCIE), Osaka, Japan, May 24-26, 2024, pp. 228-231.
6 I1 U' l' l) t3 l4 QEND
/ V3 N/ J* h- b+ l/ m4 W" }) S) t软件试用申请欢迎光电子芯片研发人员申请试用PIC Studio,其中包含：代码绘版软件PhotoCAD，DRC软件pVerify，片上链路仿真软件pSim，光纤系统仿真软件pSim+等。更多新功能和新软件将于近期发布，敬请期待！
点击左下角"阅读原文"马上申请
6 o3 ]0 j2 R# g1 B7 I4 u: f
欢迎转载

% ~, Y) u0 h6 P1 u3 L$ p0 o  v& ~转载请注明出处，请勿修改内容和删除作者信息！


: C& {, J( `/ T( }3 w

fp44h24xqrb64044064329.gif

关注我们

4 p# K) m9 S0 H# F: \+ q

3olfqgps1ub64044064429.png 6 a, F: \+ H) n/ L: }

' L  K# ~" }8 U- V6 q3 T7 k' N rys3ofhpyps64044064529.png - Q1 h" w7 w9 v

1 u  X( V$ \$ |( }$ H$ U 3pwzpbkmdik64044064629.png

                     
: Q1 P% O. _; v

/ t; D+ Y6 }, N9 g0 ?& f
1 Y" T2 g9 y2 a$ w关于我们：
6 B4 G  L/ J. _% I深圳逍遥科技有限公司（Latitude Design Automation Inc.）是一家专注于半导体芯片设计自动化（EDA）的高科技软件公司。我们自主开发特色工艺芯片设计和仿真软件，提供成熟的设计解决方案如PIC Studio、MEMS Studio和Meta Studio，分别针对光电芯片、微机电系统、超透镜的设计与仿真。我们提供特色工艺的半导体芯片集成电路版图、IP和PDK工程服务，广泛服务于光通讯、光计算、光量子通信和微纳光子器件领域的头部客户。逍遥科技与国内外晶圆代工厂及硅光/MEMS中试线合作，推动特色工艺半导体产业链发展，致力于为客户提供前沿技术与服务。
) h/ ]: P$ S; r& S
0 v, n* s$ U5 N5 P5 D2 zhttp://www.latitudeda.com/
（点击上方名片关注我们，发现更多精彩内容）