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
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
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
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
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
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。
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
通过数量化的关联分析，我们发现驱动储层计算机的最大条件 Lyapunov 指数必须显著小于真实系统最小的 Lyapunov 指数，使得吸引子重构和 Lyapunov 指数估计得以成功，并且小谱半径的储层计算机通常在一般情况下表现更好。
Dec, 2023
利用名为 “储集计算” 的机器学习方法成功地进行了混沌动力系统的短期预测和吸引子重构研究。我们提出了一个理论框架，描述了储集计算可以创建具有短期预测能力和准确长期遗传行为的经验模型的条件，并通过数值实验说明了这个理论。我们还认为这个理论适用于某些其他时间序列预测的机器学习方法。
May, 2018