Proof of concept of a hybrid MEMS-magnonic processing unit

In this master thesis, conducted at Polifab in the framework of the M&MEMS European project, a proof-of-concept device for a hybrid MEMS–magnonic processor has been realized. The work addresses the growing need for alternative computing paradigms beyond CMOS technology, particularly for energy-efficient, high-frequency signal processing and hardware-level artificial intelligence. The proposed platform exploits the propagation of backward volume spin waves in a YIG thin film as a physical substrate for wave-based computation. Spin waves, operating at microwave frequencies with sub-micrometer wavelengths, enable compact and low-power analog signal processing; reconfigurability is achieved by integrating micromagnets on a 4×4 array of piezoelectric MEMS membranes: by electrically actuating the membranes, the magnetic landscape governing spin-wave propagation is dynamically reshaped, enabling programmable control of wave scattering and interference with negligible static power consumption. Two devices were designed and fabricated: N0, a characterization platform for spin-wave modulation studies, and N1, a reconfigurable processor enabling experimental inverse design. Hardware-level training was demonstrated by iteratively tuning the MEMS control voltages using two different optimization algorithms. Experimental results show effective amplitude modulation, successful objective-function maximization for different tasks, and stable convergence of the control parameters. Beyond programmable signal processing, the demonstrated architecture provides a scalable route toward the implementation of a physical neural network, where computation emerges from wave dynamics and learning is performed directly at the hardware level through reconfigurable magnetic control.

In questa tesi di laurea magistrale, svolta presso Polifab nell’ambito del progetto europeo M&MEMS, è stato realizzato un dispositivo proof-of-concept per un processore ibrido MEMS–magnonico. Il lavoro si inserisce nel contesto della ricerca di paradigmi computazionali alternativi al CMOS, con particolare riferimento all’elaborazione di segnali ad alta frequenza ed all’intelligenza artificiale a basso consumo energetico. La piattaforma proposta sfrutta la propagazione di onde di spin di tipo backward volume in un film sottile di YIG come substrato fisico per l'elaborazione di segnale basata su onde. Le onde di spin, operanti nei gigahertz e caratterizzate da lunghezze d’onda sub-micrometriche, consentono un’elaborazione analogica compatta ed energeticamente efficiente; la riconfigurabilità del sistema è ottenuta integrando micromagneti su una matrice 4×4 di membrane MEMS piezoelettriche: l’attuazione elettrica delle membrane permette di modulare dinamicamente il campo magnetico che governa la propagazione delle onde di spin, realizzando un controllo programmabile dei fenomeni di scattering e interferenza con ad alta efficienza energetica. Durante il corso della tesi, sono stati progettati e fabbricati due dispositivi: N0, una piattaforma di caratterizzazione per lo studio della modulazione delle onde di spin, e N1, un processore riconfigurabile che consente di essere programmato sperimentalmente. Il training a livello hardware è stato dimostrato ottimizzando iterativamente le tensioni di controllo dei MEMS tramite due diversi algoritmi. I risultati sperimentali evidenziano un’efficace modulazione dell’ampiezza, la massimizzazione della funzione obiettivo per diversi task e una convergenza stabile dei parametri di controllo. Oltre all’elaborazione programmabile del segnale, l’architettura dimostrata rappresenta una piattaforma scalabile per l’implementazione di una rete neurale fisica, nella quale il calcolo emerge direttamente dalla dinamica delle onde e l’apprendimento avviene a livello hardware mediante controllo magnetico riconfigurabile.