Numerical simulation and experimental foundation of a mesoscale oscillator for Physical Reservoir Computing

The rapid advancement of artificial intelligence and machine learning has intensified the demand for efficient edge devices capable of processing information locally with minimal power consumption. This thesis addresses this challenge by investigating Physical Reservoir Computing (PRC), a neuromorphic computing paradigm that exploits the intrinsic dynamics of physical systems for information processing, eliminating the need for power-intensive digital computation. PRC has been successfully demonstrated at the microscale and at the macroscale, but the intermediate mesoscale domain remains largely unexplored. This work investigates the scalability of this framework from the microscale to the mesoscale through comprehensive analytical modeling, numerical validation and computational performance evaluation. For this purpose, a mesoscale mechanical oscillator was designed, its governing dynamics is derived and validated through analytical, numerical and finite element approaches. The system is subsequently evaluated for its computational capabilities on sequential memory tasks and pattern recognition benchmarks. The results establish that computational principles governing MEMS reservoirs scale successfully to centimeter-scale devices. This work contributes to the broader vision of intelligent structures and embedded computation by demonstrating that mechanical systems at practical scales can perform information processing using only their native physical dynamics, without external digital computation.

La rapida evoluzione dell’intelligenza artificiale e del machine learning ha intensificato la domanda di dispositivi efficienti, in grado di elaborare informazioni localmente con un consumo energetico minimo. Questa tesi affronta tale sfida investigando il Physical Reservoir Computing (PRC), un paradigma di calcolo neuromorfico che sfrutta l’intrinseca dinamica dei sistemi fisici per l’elaborazione delle informazioni, eliminando la necessità di una computazione digitale. Sebbene il PRC sia stato dimostrato con successo su scala microscopica e su scala macroscopica, il dominio intermedio della mesoscala rimane inesplorato. Questo lavoro indaga in modo sistematico la scalabilità di tale approccio alla mesoscala, attraverso un’estesa attività di modellazione analitica, validazione numerica e valutazione delle prestazioni computazionali. Per questo scopo, è stato progettato un oscillatore alla mesoscala, la cui dinamica che ne governano il comportamento sono state derivate e validate tramite approcci analitici, numerici e agli elementi finiti. Successivamente, il sistema è stato valutato in termini di capacità computazionali su compiti di memoria sequenziale e benchmark di riconoscimento di pattern. I risultati dimostrano che i principi computazionali che regolano i reservoir basati su MEMS possono essere scalati con successo fino a dispositivi di dimensioni centimetriche. Questo lavoro contribuisce a una visione più ampia, di strutture intelligenti e della computazione incorporata, dimostrando che sistemi meccanici di dimensioni pratiche possono eseguire elaborazione di informazioni sfruttando esclusivamente le proprie dinamiche fisiche intrinseche, senza ricorrere a calcolo digitale esterno.