[論文レビュー] Spectral dynamics reservoir computing for high-speed hardware-efficient neuromorphic processing

Jiaxuan Chen, Ryo Iguchi+2 more|arXiv (Cornell University)|Mar 5, 2026

Neural Networks and Reservoir Computing被引用数 0

ひとこと要約

要約: 脈動ダイナミクスレザーバーコンピューティング（SDRC）を提案するハードウェアに優しいレザーバーコンピューティング枠組み。アナログフィルタリングと包絡検出を用いてスピン波のスペクトルダイナミクスを抽出し、56ノードで最先端の性能を達成し、音声認識で高精度を実現する。

ABSTRACT

Physical reservoir computing (PRC) is a promising brain-inspired computing architecture for overcoming the von Neumann bottleneck by utilizing the intrinsic dynamics of physical systems. However, a major obstacle to its real-world implementation lies in the tension between extracting sufficient information for high computational performance and maintaining a hardware-feasible, high-speed architecture. Here, we report spectral dynamics reservoir computing (SDRC), a broadly applicable framework based on analogue filtering and envelope detection that bridges this gap. SDRC effectively exploits the fast spectral dynamics embedded in short-time, coarse spectra of material responses to attain strong computational capability while maintaining high-speed processing and minimal hardware overhead. This approach circumvents the need for implementation-intensive, precision-sensitive integrated circuits required in high-speed time-multiplexing measurements, while enabling real-time use of the material's spectral manifold as a high-dimensional computational resource. We implement and experimentally demonstrate SDRC applied to spin waves that achieves state-of-the-art-level performance with only 56 nodes on benchmark tasks of parity-check and second-order nonlinear autoregressive moving average, as well as high accuracy of 98.0% on a real-world problem of speech recognition.

研究の動機と目的

• タイム多重化PRCのリアルタイムニューロモルフィック処理へのハードウェアに優しい代替案を動機づけ、実証する。
• スピン波の高速スペクトルダイナミクスを活用して、最小のハードウェアオーバーヘッドで高次元のレザーバ状態を作成する。
• ベンチマークタスクと現実世界の音声認識問題でSDRCを実証する。
• ノード制約下で性能を最適化するスペクトルノード選択原理を検討する。

提案手法

• アナログフィルタリングと包絡検出から短時間の粗いスペクトルダイナミクスをレザーバ状態として抽出するSDRCを開発する。
• 広帯域アナログパルス列で励起されたYIG単結晶中のスピン波を物理的レザーバとして用いる。
• バンドパスフィルタとダイオード包絡検出器を用いてレザーバ状態を収集し、56のスペクトルノード（7検出器 × 8帯）に至る。
• レザーバ状態上で線形リードアウトを訓練し、パリティチェック、NARMA-2、音声認識といったタスクの出力を生成する。
• ソフトウェアでスペクトルノードをエミュレートし、ハードウェアスペクトルノードを実装して性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 粗いスペクトルからの高速スペクトルダイナミクスは、複雑なニューロモルフィック計算に十分な情報を提供できるのか。
• RQ2 ノード数とスペクトル帯選択がパリティチェックとNARMA-2タスクにおけるSDRCの性能に与える影響は何か。
• RQ3 同一のスピン波応答下で、タイム多重化PRCと比較してSDRCの性能はどうか。
• RQ4 ハードウェア効率的なスペクトルノードを用いて、時系列音声信号からリアルタイムの音声認識を実現できるか。
• RQ5 スピン波レザーバの最適なスペクトルノード選択を導くスペクトル原理は何か。

主な発見

• SDRCは56ノードで、同等ノード数のPRCシステムの中で最先端のパリティチェック容量を達成する（例: 188.8 mTで3.31）。
• SDRCはハードウェア実装でNARMA-2のNMSEを6.8×10^-3、エミュレーションで140ノード時に1.9×10^-2を達成。
• 音声認識は、ハードウェアでSDRCを用いて、5スピーカーTI-46サブセット（合計500サンプル）で98.0%の精度を達成。
• スペクトルノードは2つの有意義な帯を示す：磁場依存のFMR近傍のスピン波帯と、約2 GHz付近の磁場非依存のEM結合ノードで、ノード最適化を可能にする。
• 最適性能は、スピン波とEMノードの寄与が重なるバイアス磁場付近（≈190 mT）で生じる。
• SDRCは、粗いスペクトル範囲に集中した少数ノードでも堅牢な性能を示し、モード間スペクトルダイナミクスを活用する。