Reservoir computing

El reservoir computing o cálculo de reservoir es un marco de trabajo o framework derivado de la teoría de las redes neuronales recurrentes. Este enfoque mapea las señales de entrada en espacios computacionales de mayor dimensión utilizando la dinámica de un sistema fijo y no lineal llamado "reservoir".^[1]​ Una vez que la señal de entrada se introduce en el reservoir, que se trata como una caja negra, se entrena un sencillo mecanismo de lectura para obtener y mapear el estado del reservoir hasta obtener el resultado deseado.^[1]​ La principal ventaja de este framework radica en que el entrenamiento solo se lleva a cabo en la fase de lectura, ya que la dinámica del reservoir es fija.^[1]​ Además, otra ventaja importante es que se puede aprovechar la potencia de cálculo de los sistemas disponibles de manera natural, tanto clásicos como mecánicos cuánticos, lo que permite reducir el costo de cálculo efectivo.^[2]​

1. ↑ ^{a b c} Tanaka, Gouhei; Yamane, Toshiyuki; Héroux, Jean Benoit; Nakane, Ryosho; Kanazawa, Naoki; Takeda, Seiji; Numata, Hidetoshi; Nakano, Daiju et al. (2019). «Recent advances in physical reservoir computing: A review». Neural Networks (en inglés) 115: 123. ISSN 0893-6080. PMID 30981085. doi:10.1016/j.neunet.2019.03.005.  Se sugiere usar |número-autores= (ayuda); |fechaacceso= requiere |url= (ayuda)
2. ↑ Röhm, André; Lüdge, Kathy (3 de agosto de 2018). «Multiplexed networks: reservoir computing with virtual and real nodes». Journal of Physics Communications (en inglés) 2. ISSN 2399-6528. doi:10.1088/2399-6528/aad56d.