使用深度时滞水库计算的方法，通过分析条件 Lyapunov 指数和系统到分岔点的距离，调节线性和非线性记忆容量的分布，得出了高非线性或长时间线性记忆容量的系统设计。

Jun, 2020

通过使用光电装置验证了一种最近提出的储层计算优化技术的实验。储层计算是一种强大的信号处理应用框架，而高效优化方法的发展仍是一个关键挑战。我们的技术仅利用输入信号的延迟版本来识别储层的最佳操作区域，简化了传统耗时的超参数调整任务。我们验证了这种方法在不同基准任务和储层操作条件下的有效性。

Jan, 2024

我们提出了一种基于可微分的反馈延迟网络 (FDN) 的参数寻找方法，通过反向传播同时学习每个延迟网络参数，以使其输出呈现出测量的房间脉冲响应的感知特性。通过实验证明，该方法能够产生时间不变和频率无关的 FDN，能够与所需的声学特性紧密匹配，并且优于基于遗传算法和分析滤波器设计的现有方法。

Mar, 2024

通过使用硅微环共振器中的非线性效应，如自由载流子色散和热光效应，将信息映射到更高的维度空间，并通过添加外部波导实现具有增强记忆的延时非线性光子储存器 (TDRC)。在 TDRC 中，非线性效应取决于物理特性，而非线性动态的正确量化有利于实现最佳性能。因此，我们以时间常数和热效应为函数来量化基于微环的 TDRC 方案的非线性和线性内存容量，并分析了 TDRC 动态生成的参数空间，以确定满足传统 RC 任务的输入信号功率和频率偏移范围。

Jun, 2024

预测具有外部驱动相位快速变化的非自治动力系统的可行性进行了研究，结果表明，尽管存在隐藏变量，但非自治动力系统仍然是可预测的，并且储层计算机可以为个体轮班工人提供更好的计划安排。

Apr, 2024

本文介绍了一种基于储层计算的新方法，用于预测周期性时间序列，特别适用于生成音乐节奏等需要精确预测节奏的任务。我们的方法利用储层计算，并以预测人类节奏感知为最终目标。我们的网络准确地预测人类频率感知范围内的节奏信号。模型结构包含主要和中间神经元，用于捕捉和传递节奏信息。两个参数矩阵 c 和 k 调节储层的动态特性。我们提出了一个损失函数来调整训练后的 c，并引入了一种动态选择机制来调整 k，以便关注具有杰出贡献的区域。在多样化的测试集上的实验结果展示了准确的预测，并通过实时调整储层的 c 和 k 进一步提高了预测性能。比较评估结果显示其相对于传统模型具有更出色的性能。

May, 2024

本文提出了一种基于可微分数字信号处理的模型，用于建模像移相器这样控制信号具有低频震荡的调制音效，模型以时间变化频率域滤波器为基础，通过短帧处理来实现。研究发现最佳的帧长与目标效果的速率和瞬态衰减时间有关，但在推理时可以改变帧长而不会对准确性产生显着影响。

Jun, 2023

通过将一些储备态的组成部分反馈到网络中的输入端，我们可以显著改善给定回声状态网络的性能。我们严格证明，对于任何给定的回声状态网络，反馈几乎总是会提高输出的准确性。在三个代表不同问题类别的任务中，我们发现通过反馈，平均误差的度量减少了 30%-60%。引人注目的是，与将初始计算节点数量翻倍的计算昂贵且技术上具有挑战性的替代方案相比，反馈提供了至少与之相当的性能提升。这些结果证明了这种反馈方案的广泛适用性和实用性。

Dec, 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

通过振荡驱动储层计算的反馈机制，本研究提出一种能够稳定网络活动且诱导复杂储层动力学的储层计算模型，即振荡驱动储层计算（ODRC）。ODRC 在运动定时和混沌时间序列预测任务中与传统储层计算方法相比能更准确地复现长期目标时间序列，并能从有限观测中学习到抽象生成规则。基于这种简单且计算廉价的实现所获得的显著改进，ODRC 可作为各种时间序列数据的实用模型，并可作为神经震荡及其小脑处理器的模型进行生物学探讨。

Jun, 2024