[论文解读] 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 0

一句话总结

论文提出谱动态保留神经计算（SDRC），一种对硬件友好的保留神经网络框架，利用模拟滤波和包络检测从自旋波中提取谱动态，在仅有56个节点的情况下实现尖端的语音识别准确性，并具备高精度表现。

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.

研究动机与目标

• 为实时类脑处理提供一个对时间时分复用PRC的硬件友好替代方案进行动机与演示。
• 利用自旋波中的快速谱动态，在最小硬件开销下创建高维保留状态。
• 在基准任务和真实世界的语音识别问题上展示SDRC。
• 研究谱节点选择原则，以在节点受限的情况下优化性能。

提出的方法

• 开发由模拟滤波和包络检测组成的SDRC，用于提取短时、粗谱动态作为保留状态。
• 在YIG单晶体中的自旋波作为物理保留池，由宽带模拟脉冲列激发。
• 通过带通滤波器和二极管包络检测器收集保留状态，得到56个谱节点（7个检测器×8个频带）。
• 在保留状态上训练线性读出，生成用于任务（奇偶校验、NARMA-2、语音识别）的输出。
• 在软件中仿真谱节点并实现硬件谱节点以评估性能。

实验结果

研究问题

• RQ1 来自粗谱的快速谱动态是否能提供足够信息用于复杂的类脑计算？
• RQ2 节点数量和谱带选择对SDRC在奇偶校验和NARMA-2任务中的性能影响如何？
• RQ3 在相同自旋波响应下，SDRC与时间多路PRC的性能对比如何？
• RQ4 SDRC是否能够从时序音频信号中以硬件高效的谱节点实现实时语音识别？
• RQ5 哪些谱原理能够引导自旋波保留中的最佳谱节点选择？

主要发现

• 在56个节点下，SDRC在同类节点数的PRC系统中实现了最先进的奇偶校验容量（如在188.8 mT时达到3.31）。
• 硬件实现的NARMA-2 NMSE为6.8×10^-3，140个节点的仿真为1.9×10^-2。
• 在5个说话者的TI-46子集上，使用SDRC的硬件语音识别准确率达到98.0%（共500个样本）。
• 谱节点显示两条信息丰富的带宽：靠近FMR的场相关自旋波带与约2 GHz的场独立的EM耦合节点，便于有效的节点优化。
• 在自旋波偏置场接近自旋波与EM节点贡献重叠时（≈190 mT），达到最优性能。
• SDRC在节点数量较少且集中在粗谱范围内时，仍展现稳健性能，利用互模态谱动态。