非线性动力系统中模型无关且数据驱动的预测是一个复杂系统科学中具有挑战性且突出的任务，本文提出了一种基于下一代储层计算的全新数据驱动机器学习算法，通过使用静态训练数据样本来外推非线性动力系统的分岔行为，展示了该方法能够外推临界转变点，同时还证明了训练有素的下一代储层计算结构可以用于预测具有时间变化的分岔参数的非稳态动力学，通过这种方法可以模拟未知参数区域的过临界后动力学。

Dec, 2023

利用噪声驱动的转换现象的机器学习模型，储层计算（一种递归神经网络）能够学习噪声引起的系统状态转换，通过调整关键的超参数，包括储层动力学的时间尺度，生成准确的转换时间和数量的统计数据，适用于多种系统和蛋白质折叠实验数据，表明机器学习方法可以捕捉噪声引发的现象。

Sep, 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

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

基于测量数据进行时间序列预测在广泛的应用中都是必须的，并且已经成为了广泛研究的主题。近年来，蓄水池计算已被证明是一种有效的方法，用于预测混沌动力学和从数据中重建混沌吸引子。本研究通过减小蓄水池的规模和复杂性，以提高硬件可操作性并更可靠地生产足够的替代模型。研究表明，与复杂的蓄水池拓扑相比，无耦合节点的蓄水池更可靠地产生长期时间序列预测。然后，我们将无耦合蓄水池的改进吸引子重建与所得替代系统的较小谱半径相连接。这些结果表明，节点度在确定所期望的动力学是否稳定于训练蓄水池的闭环操作中的自主替代系统中起着重要作用。就硬件可操作性而言，无耦合节点将允许在硬件架构中具有更大的自由度，因为不需要复杂的耦合设置，并且由于无耦合节点，系统响应对于空间和时间多路复用是等效的。

Feb, 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

利用机器学习中的 “水库计算” 技术提出了一种无模型估计混沌系统 Lyapunov 指数的方法，其通过一个高维动力系统为水库的时间序列提供输入，并使用线性回归来学习输出权重，最终得到 Lyapunov 指数的估计。

Oct, 2017

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

提出了一种基于平衡库容计算的机器学习技术，通过测量数据推断典型电力系统中引起运行中断的吸引盆地，并证明该技术可以准确预测系统是否能在大幅度随机扰动后返回到功能状态，同时还可以用于推断典型混沌系统中的吸引子。

May, 2023

本研究证明，水库计算机是一种有效的无模型预测确定性混沌系统中极端事件的工具。通过在预期极端事件之前的某些时刻对系统施加弱控制扰动，我们可以抑制不良的极端事件。本文在全球耦合的 FitzHugh-Nagumo 神经元系统和两个几乎相同的单向耦合混沌振荡器系统中展示了这种预测和预防策略的有效性。

Feb, 2020