В 1974 году физики впервые описали прибор, в котором электроны проходят сквозь энергетический барьер благодаря квантовому туннелированию. Сегодня этот прибор — резонансно-туннельный диод — становится сердцем необычной вычислительной архитектуры. Вместо тысячи строк кода и мощного процессора — массив из 28 диодов, который читает изображение и превращает его в набор признаков, достаточный для распознавания цифр и фруктов.

Резервуарные вычисления — это метод машинного обучения с фиксированной нелинейной сетью. Классическая схема использует случайные матрицы связей, но новое поколение отказывается от случайности в пользу детерминированной нелинейной трансформации. Здесь резонансно-туннельный диод работает как переводчик, который не просто повторяет сигнал, а добавляет к нему новые обертоны. Каждая строка пикселей подаётся на диод в виде импульсов напряжения, а нелинейная вольт-амперная характеристика — зависимость тока от напряжения — рождает высшие гармоники. Именно эти обертоны несут информацию о форме цифры или контуре яблока.

Численное моделирование на Python показало: на наборе MNIST (рукописные цифры) точность составила 92,5%, а на Fruit-360 (фрукты и овощи) — 99,1%. Ошибки возникали в основном между похожими цифрами, например 4 и 9. Классы «яблоко», «авокадо» и «клубника» распознавались почти безошибочно. Выходные токи диодов формируют матрицу состояний резервуара, а выходные веса вычисляются методом гребневой регрессии — линейной регрессии с регуляризацией. Никаких случайных масок, линий задержки или виртуальных узлов: только физика туннелирования.

Работа встраивается в русло резервуарных вычислений нового поколения, где случайность заменяется детерминированной нелинейной трансформацией входного сигнала. Раньше было неясно, можно ли использовать резонансно-туннельные диоды как физический резервуар для распознавания изображений без случайных матриц. Теперь показано, что массив РТД с детерминированной нелинейной характеристикой достигает точности до 99,1% на Fruit-360 и 92,5% на MNIST. Это достигнуто благодаря численной модели, где нелинейность задаётся вольт-амперной характеристикой диодов, а не случайными связями. Такой подход может быть использован для создания энергоэффективных аппаратных ускорителей распознавания образов в автономных устройствах.

Следующий шаг — экспериментальная реализация массива диодов и интеграция с временным кодированием. Возможно объединение с квантовым туннелированием и спайковыми нейронами. Технологическая совместимость РТД с кремниевой электроникой открывает путь к гибридным чипам, где резервуар работает в аналоговом режиме, а считывание — в цифровом. Дрон, который узнаёт препятствия без облачных вычислений, или носимое устройство, распознающее жесты, — это уже не фантастика, а инженерная задача на ближайшее десятилетие.