Neuromorphic Computing Based on Parametrically-Driven Oscillators and Frequency Combs
參數共振態振盪器儲存庫在 Mackey-Glass 預測達 log₁₀(NMSE) = −3.19，而維度更高的混沌頻率梳態使 Rössler 誤差惡化至 +0.58，確立相位相干性為計算關鍵。
- 頻率梳狀態頻譜維度更高卻表現更差：Rössler 誤差從參數共振的 −2.16 惡化至混沌梳的 +0.58，相干性喪失是根本原因。
- 低誤差區域輪廓與 Arnold tongue 邊界高度吻合，計算能力由底層分岔結構決定，每個輸入符號提取 2048 維特徵。
- 最優操作需匹配四個參數：調變深度 ΔF、頻率偏離 κ、阻尼比 γ₂₁ 和輸入速率，皆與參數共振邊界形狀直接相關。
頻率梳（Frequency Comb）狀態提供了比參數共振更高的頻譜維度，卻在 Rössler 混沌預測任務上將誤差從 log₁₀(NMSE) = −2.16 惡化至 +0.58——比隨機猜測還差。印度 Amrita 大學與阿聯酋 BITS Pilani 杜拜分校的研究者，系統性繪製了參數驅動振盪器在三種動力學狀態下的計算能力地圖，確立了參數共振（Parametric Resonance）為物理儲存庫計算的最優操作區間。
儲存庫計算：用物理動力學取代神經網路訓練
儲存庫計算（Reservoir Computing，RC）是一種利用固定非線性動力系統做特徵提取的計算框架——把輸入訊號注入一個「儲存庫」（複雜動力系統），再用一個簡單的線性讀出層學習映射關係，從而省去訓練整個遞迴神經網路的龐大成本。物理儲存庫的優勢在於：天然的非線性動力學本身提供記憶與特徵轉換，無需明確設計網路結構。
本研究建構的是一個兩模式 2:1 參數共振系統：一個直接驅動模式（頻率 ω₁）與一個被參數激發的次諧波模式（頻率 ω₂ ≈ ω₁/2），通過非線性三波混頻將能量從驅動模式傳遞至次諧波模式。當驅動幅度超過閾值，系統發生 Hopf 分岔（Hopf Bifurcation，系統從靜態進入週期性振盪的突變現象），進入參數共振態；繼續深入，週期性幅度調變則產生頻率梳結構（一系列等間距、相位相干的頻譜譜線）。研究覆蓋的三種狀態——次閾值、參數共振、頻率梳——對應不同的非線性動力學特徵，也對應截然不同的計算能力。
三種動力學狀態的計算性能：NMSE 數字對比
研究者在三個標準混沌動力系統——Mackey-Glass、Rössler、Lorenz——上測試了一步超前預測（One-Step-Ahead Prediction）能力，量化指標為歸一化均方誤差（NMSE，數值越低越好），預測長度為 1000 個時間步。
參數共振區間（最優）：Mackey-Glass 的 log₁₀(NMSE) = −3.19，Rössler = −2.16，Lorenz = −1.58，預測軌跡緊貼真實值，顯示儲存庫保有良好的時域相干性與非線性轉換能力。
相干頻率梳區間（性能退步）：Mackey-Glass 退至 −2.41，Rössler 急降至 −0.07，Lorenz 為 −0.51。雖然諧波成分豐富了特徵空間，但增長的複雜度開始破壞時域結構，預測偏差變得明顯。
混沌頻率梳區間（最差）：Mackey-Glass 僅 −0.71，Rössler 達到 +0.58（正值代表預測比均值猜測更差），Lorenz 為 −0.06。相位相干性完全喪失後，時域訊號不規則波動，頻譜退化為連續寬帶，儲存庫的結構化非線性轉換徹底崩潰。
關鍵反直覺結論由此確立：頻譜維度更高不等於計算性能更好，相位相干性（Phase Coherence）才是有效特徵轉換的必要條件。
| 動力學狀態 | Mackey-Glass | Rössler | Lorenz |
|---|---|---|---|
| 參數共振（最優） | −3.19 | −2.16 | −1.58 |
| 相干頻率梳 | −2.41 | −0.07 | −0.51 |
| 混沌頻率梳（最差） | −0.71 | +0.58 | −0.06 |
2048 維特徵空間與參數空間地圖的對應
系統讀出採用時間多工化方式提取特徵：每個輸入符號對應兩個模式各 512 個虛擬節點的時域功率軌跡，加上兩個模式各 512 點離散傅立葉轉換（DFT）的頻譜幅度，總計特徵維度為 2×512 + 2×512 = 2048。輸出層使用嶺迴歸（Ridge Regression，正規化參數 λ = 10⁻³）訓練，訓練/測試比為 80:20，所有特徵經 log 壓縮後以零均值、單位變異數標準化。
在（F_avg, Δ₁）二維參數空間上繪製預測誤差地圖後，低 NMSE 區域的輪廓與 Arnold tongue（Arnold 舌，參數共振的理論邊界在驅動幅度-頻率空間中呈舌形延伸）高度吻合。計算能力在參數空間中的分佈並非隨機，而是直接由系統底層的分岔結構決定，為實驗設計者提供了精確的操作目標。
需要特別注意的是次閾值與參數共振之間的雙穩態區間：此區域內靜態穩態（ψ₂ = 0）與參數共振態（ψ₂ ≠ 0）同時穩定，表面上的低 NMSE 源於初始化狀態的選擇，而非該區間本身的穩健計算特性，實驗中需要謹慎辨別。
四個調控旋鈕：ΔF、κ、γ₂₁ 與輸入速率
研究系統性地探究了四個設計參數對計算性能的調控規律，為物理硬體的工程實現提供了量化指引。
調變深度 ΔF（輸入訊號對驅動幅度的調變量）：增大 ΔF 使參數共振區間內的低 NMSE 區域更加均勻，相干梳與混沌梳的表現也隨之提升——調變增強了非線性轉換的魯棒性。但 ΔF 過小時，系統可能被間歇性推入次閾值態，反而在低驅動強度端出現性能惡化。
頻率匹配偏離量 κ（偏離 ω₁ = 2ω₂ 條件的程度）：κ 改變參數共振與頻率梳在參數空間中的範圍與對稱性，低誤差區域跟隨共振邊界移動；|κ| 過大時共振區間萎縮，低誤差區域隨之縮小，提示應盡量滿足頻率匹配條件。
阻尼比 γ₂₁（次諧波模式與驅動模式的阻尼比值）：增大 γ₂₁ 抑制參數不穩定性，壓縮共振與梳的範圍，極大值下系統被限制在次閾值態；γ₂₁ 過小則使共振區間擴大但性能均勻性下降。最優操作需要在阻尼與非線性耦合之間取得平衡。
輸入數據率：低數據率下，符號持續時間遠大於系統弛豫時間，動力學在輸入間完全衰退，記憶喪失；高數據率下，系統無法在一個符號週期內充分響應。最優點落在殘留動力學恰好與下一輸入疊加的中間區域，輸入時間尺度必須與系統固有響應匹配。
從理論到物理硬體的實現路徑
這項研究的核心貢獻是將參數共振物理學與儲存庫計算理論系統性地連結起來，並給出清晰的工程操作規則：在 Arnold tongue 邊界附近的參數共振區間運作，避免深入頻率梳區間。這一原則適用於已在文獻中展示參數共振的多種平台，包括超導電路、磁學系統、光學參數振盪器（OPO）與 MEMS 器件。
研究者指出兩個未來方向：一是擴展到更高維度的分布式參數系統，以探索更豐富的非線性交互是否能進一步提升計算容量；二是在真實硬體上驗證，面對實際的噪聲、製造誤差與控制限制，確認這些設計原則的可移植性，最終目標是建構超快、低能耗的神經形態（Neuromorphic）處理器。
更高頻譜維度不等於更好計算：相位相干性是參數振盪儲存庫的計算基礎，分岔邊界就是最優操作點的地圖。