随着物联网（IoT）在信息驱动型社会中的蓬勃发展，无数传感器节点产生的海量原始数据正在日益消耗传输容量。这就要求系统具有低功耗高效处理信息的能力。因此，人们非常希望实现信号处理的本地化，将传感和智能整合在一起，实现边缘计算。
受递归神经网络（RNN）启发的储备池计算（RC）是处理时间序列数据的最佳解决方案，非常适合物理实现。其算法结构简单，储备池可以通过非线性器件实现。因此，近年来研究人员一直致力于物理储备池计算的研究。然而，大多数研究仍停留在验证阶段，即证明器件作为计算储备池的可行性，却忽略了传感能力。此外，一些储备池计算系统通常体积庞大、设置复杂，例如光学储备池计算。这些研究主要探索器件作为储备池的潜力，利用其固有的非线性和对储备池计算至关重要的衰减记忆。不过，这些研究往往忽略了传感器数据的直接处理。这一点对于实时数据解读至关重要，但在现有方法中尚未得到充分解决。
微机电系统（MEMS）具有体积小、功耗低的优势。更重要的是，其主要为传感器而设计，这使得MEMS储备池计算更接近边缘计算的初衷。此前有关MEMS储备池计算的研究也只是验证了其可行性，未能提供集传感和计算于一体的集成传感器系统。信息以数据集的形式注入，然后通过振幅调制方式调制到驱动电压。MEMS的传感特性被忽略，只关注了计算特性。此外，输入层、储备池层和输出层在硬件层面上都是分开设置，导致系统分立且体积庞大。
已有研究提出了一些改进方法，例如使用偏置时间复用划分输入和掩码，利用混合非线性（HNL）来增强储备池计算以用于分类任务，以及使用结构设计实现MEMS神经元。然而，这些改进仍然存在一些缺点需要考量，如仍然存在反馈导致系统分立，长期存储容量（MC）较差，以及必须设计待处理任务（基本上是简单的分类任务）等。大多数研究都没有实现完全适合处理各种场景的边缘计算系统。
刚度调制MEMS储备池计算的概念示意图
据麦姆斯咨询介绍，中国科学院空天信息创新研究院研究员、中国科学院大学电子电气与通讯工程学院岗位教授邹旭东及其团队开发了一种基于刚度调制的集成MEMS储备池计算。这种新颖的结构可应用于差分MEMS谐振加速度计（也可应用于其它类型的谐振传感器）。它利用刚度调制，将输入作为自然信号进行感知并注入，以干扰谐振器的刚度k。然后，集成电路（IC）和现场可编程门阵列（FPGA）收集HNL生成的丰富储备池状态，并进行计算。
（a）传统振幅调制MEMS储备池计算，三层分离，主要使用DNL；（b）本研究优化的刚度调制MEMS储备池计算，利用源自HNL的自屏蔽效应，模拟信息被无缝感测并直接注入储备池计算。
MEMS储备池计算系统硬件架构
这项研究旨在保留MEMS储备池先进计算能力的同时，解决以往被忽视的直接传感器数据处理问题。研究人员期望跨多个场景实现传感与智能的融合。该方法引入了一种新的传感范式，可直接进行本地数据处理，无需传统的频率监测或参考。研究人员消除了前两层之间的数据离散，降低了系统复杂性。由此，来自自然信号（如加速度或温度）的信息就可以直接由边缘储备池计算系统进行处理。此外，还优化了第三层的算法，以解决原始架构中预测任务的不足，同时保持分类任务的良好性能，从而展示了一种在多场景应用中有效的MEMS储备池计算。
这项研究旨在为新一代智能传感器和传感器系统的开发做出贡献。该方法不仅解决了边缘应用中传感与计算集成的空白，还为各种场景下的数据处理提供了一种紧凑、节能的解决方案，展示了其在智能MEMS传感器技术中的实用性和新颖性。
论文链接：
https://doi.org/10.1038/s41378-024-00701-9
