Substantially enhanced reservoir computing with multiple-input mode

Ken‐ichi Kitayama

doi:10.1088/2631-8695/ae6f79

2026-05-01

PRE

Ken‐ichi Kitayama *

DOI：10.1088/2631-8695/ae6f79

原文链接

原文求助

摘要

En 中文

储层计算（RC）是一类特殊的循环神经网络模型。RC与深度学习的主要区别在于，只有储层与输出层之间的连接是可训练的，且训练所需的计算量远小于深度学习。在储层拓扑结构固定的前提下，输入层是唯一可调优的部分。为此，首次提出了所谓的“多输入模式”，即一组相同输入数据被独立地并行注入虚拟堆叠的储层中。这与传统单输入模式形成对比，后者是将单个输入数据注入储层。通过提出的多输入模式，我们全面考察了多种储层拓扑结构，包括简化的储层拓扑结构（如延迟线储层（DLR）、带反馈连接的延迟线储层（DLRB）和简单循环储层（SCR）），以及传统的RC拓扑结构。使用时间序列数据集进行了预测和分类任务的基准测试。在Mackey-Glass混沌预测任务中，结果表明，使用多输入简化拓扑结构（如DLR和SCR）可将均方误差降低约一个数量级，相较于传统RC。另一方面，在六种人体运动分类中，引入了第三种输入模式——部分多输入模式。在该模式下，部分类别使用单输入，其余类别使用多输入模式。基准测试表明，结合部分多输入模式的简化拓扑结构的分类精度显著提高，相比传统RC。

Keyword:

reservoir computing

prediction and classification

multiple-input mode

simplified reservoir topologies

virtually stacked reservoir