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

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

提出了一种新的 Reservoir Computing（RC）架构，称为 Edge of Stability Echo State Network（ES2N）。该 ES2N 模型基于将储层层定义为非线性储层（如标准 ESN）和实现正交变换的线性储层的凸组合。通过数学分析证明 ES2N 映射的整个 Jacobian 的特征谱可以包含在可控半径的复杂圆的环状邻域内，并利用这一属性证明 ES2N 的正向动力学设计得接近混沌边缘。实验分析表明，与标准 ESN 相比，这种新引入的储层模型能够达到理论上的最大短期记忆容量，并在自回归非线性建模中提供了一个有利的记忆和非线性折衷，以及显着的性能改进。

Aug, 2023

以数值解求解普通微分方程为灵感，本文提出了一种新颖的储层计算模型，名为欧拉状态网络（EuSN）。该方法使用向前欧拉离散化和反对称循环矩阵来设计储层动力学，这些动力学是通过构造稳定且无耗散的方式实现的。我们的数学分析表明，所得模型偏向于具有单位的有效谱半径和零的局部李雅普诺夫指数，本质上在稳定边缘附近运行。长期记忆任务的实验结果表明，所提出的方法在需要有效传播多个时间步骤的输入信息的问题上优于标准的 RC 模型。此外，时间序列分类基准测试结果表明，EuSN 能够达到（甚至超过）可训练循环神经网络的准确率，同时保留 RC 家族的训练效率，导致计算时间约为 490 倍的节省和能源消耗约为 1750 倍的节省。

Mar, 2022

提出了一种新颖且可解释的循环神经网络结构，采用回声态网络（ESN）范例进行时间序列预测，并通过较小的并行储备池驱动不同输入组合的特征，非线性组合以产生输出，其预测能力表现优于传统单储备池 ESN。

Mar, 2024

本文提出了一种基于基因算法进行底层储备计算的正弦储备网络模型，该模型能够对经典 ESN 进行维度约简转换，以便更好地利用大型反馈结构的优势并避免梯度下降训练方法的问题。实验结果表明，该方法在混沌系统和真实世界数据方面具有较好的性能。

Jun, 2022

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

该综述通过将物理沉积池按类型分类，概述了近期物理沉积池计算的进展，并讨论了与物理沉积池计算相关的当前问题和前景，以进一步扩展其实际应用和开发下一代机器学习系统。

Aug, 2018

用电生理测量数据构建了计算模型，基于储水池计算网络（Reservoir Computing Network，RCN）架构，通过预测网络连接性地图和局部刺激的网络响应来重构神经元网络结构。

Nov, 2023

基于时间序列预测的信号 - 噪音分离方法，使用储备计算从给定信号中提取可预测信息。该方法能够估计噪音分布并间接评估信噪比，对各种信号和噪音组合都表现出强大的分离能力。

Apr, 2024