该论文研究了随机库容计算机的普适性，证明了具有随机特性的库容计算机是一种普遍的逼近类，并通过两个实际应用示例展示了其在分类和混沌时间序列预测方面相对确定性库容计算机的高性能。

May, 2024

储备计算（RC）是一种递归神经网络，通过随机连接神经元实现对时间信号处理的应用。该模型具有丰富的动力学、线性可分性和记忆能力，可在各种应用中生成适当的响应。RC 的研究领域涉及机器学习、物理学、生物学和神经科学，可应用于物理硬件和生物设备的复杂动力学实现及对大脑机制的理解。本文对 RC 的发展进行了综合回顾，包括模型、应用和脑机制的建模，并提供了储备设计、编码框架统一、物理实现以及与认知神经科学和进化之间的相互作用等新视角。

Jul, 2023

评估方法、基准任务和计算能力是无常规计算的沉积模型中的关键研究领域，对于这些系统的评估具有挑战性。本文回顾和批评了 Reservoir Computing 领域中使用的评估方法，提出了一种基准任务分类，回顾了多个应用于 Reservoir Computing 的基准任务的例子，并指出了其优缺点。我们提出了改进基准任务及其使用方式以造福 Reservoir Computing 社区的建议。

May, 2024

我们引入了一种量子 RC 系统，利用共振腔中的受探测原子的动力学，提出的量子储层可以使用较少的人工神经元进行快速可靠的预测，理论上验证了储层的操作并展示了在计算和能源资源有限的条件下使用近似计算方法进行可行预测的潜力。

Mar, 2024

用合成主动微粒系统进行物理储水池计算，其中自组织和噪音抑制起到关键作用。

Jul, 2023

本文提出了新的几何解释，解释了库沃塞蓝计算的现象，将其构建为强普适性水库系统；随机投影所有状态空间系统的家族，以产生 Volterra 级数扩展，生成随机系数的状态仿射水库系统能够通过为每个不同的滤波器训练一个不同的线性输出来近似任何消退存储过滤器类中的元素。

Sep, 2020

利用可变生物膜基 memcapacitor 作为 reservoir，在分类和分析时间序列数据的仿真和实验中实现了 98％的口语数字分类准确率和 0.0012 的非线性回归任务正常化均方误差。

May, 2023

光子储水池计算作为加速时间序列预测的硬件实现需求的最新技术，已被广泛运用，然而在预测混沌时间序列方面，传统的储水池计算模型在准确性方面存在一定局限性，因此我们引入了一种注意力机制，用于增强储水池计算模型输出阶段的预测准确性，实验结果表明，采用注意力机制的光子储水池计算能够提高较小储水池的预测能力，这些进展凸显了储水池计算在准确预测混沌时间序列的实际应用中的变革性可能性。

Dec, 2023

提出了一种基于无限维状态空间系统积分表示的读出特性的新概念类，它具有较强的实用性和通用近似性质，其中利用了随机生成的线性或 ReLU 激活函数的回声状态网络，并以仅训练输出层的随机神经网络为基础构建读出模型，所得到的结果是具有证明收敛性保证的可全面实现的递归神经网络学习算法，不受维度灾难影响。

Apr, 2023

我们的研究引入了一种新型的双存储器 RC 系统，通过基于 WOx 的忆阻器实现 16 个不同状态的编码和基于 TiOx 的忆阻器实现长期记忆单元，实现了处理时间数据集的能力。通过对孤立语音数字识别和 Mackey-Glass 时间序列预测的基准任务的验证，该系统在数字识别中达到了 98.84% 的准确率，在时间序列预测任务中保持了较低的规范化均方根误差（NRMSE）0.036，突出了其能力。本研究揭示了基于忆阻器的 RC 系统在处理复杂时间挑战方面的能力，为神经形态计算的进一步创新奠定了基础。

Mar, 2024