提出了基于完全量子计算的下一代油藏计算方法，能够准确预测量子动力学的多体系统，且通过跳跃预测技术能够在预测远期状态时减少中间状态的信息提取，并结合块编码技术实现了计算效率的量子加速方法。

Aug, 2023

应用机器学习控制混沌参数 Lorenz 系统，研究表明下一代水库计算在数据有限的情况下可以显著优于传统水库计算，并在实际控制应用中具有进一步潜力。

Jul, 2023

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

利用表面流动液膜上激发的孤立波，实验证明一种物理上的储备计算系统，该系统通过对输入数据进行非线性转换来替代随机性的影响，从而作为传统储备计算算法的技术简单的硬件改进。

Jan, 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

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

采用水库计算方法的多元时间序列分类技术，基于线性模型训练产生 MTS 的低维嵌入的参数来编码每个 MTS，应用时附带中间的维度重组程序，以及提供不同的模块以轻松创建高级的 RC 架构的增量式 RC 框架，比其他 MTS 分类器更快，还能实现更高的分类精度。

Mar, 2018

本文研究使用循环神经网络以及储备计算和时域反向传播来预测高维和低维复杂系统的时空动态，结果表明：对于长期预测混沌系统，当全部状态动态数据用于训练时，储备计算方法的预测性能优于时域反向传播，但在使用低维数据时时域反向传播方法表现更好。同时该研究还首次量化了使用时域反向传播方法的 Lyapunov 谱。

Oct, 2019

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

应用深度学习量化不确定性是实现电网管理中精确可靠的时间序列预测的关键，本研究探索并比较了在水库计算中采用的贝叶斯和确定性方法对预测准确性、计算资源效率和估计不确定性可靠性的影响。

Aug, 2023