Diverses formes de reconnaissance de formes, en particulier l'apprentissage automatique, ont été largement utilisées dans diverses technologies modernes. En découvrant des modèles dans les données, l'apprentissage automatique est capable de transformer ces modèles en informations compréhensibles, telles que l'identification d'objets sur le trajet d'une voiture autonome ou l'identification des caractéristiques thermiques d'un intrus.

De la même manière que le Machine Learning, un framework émergent appelé Reservoir Computing peut être utilisé pour apprendre des modèles à partir de données. La clef de cette forme de calcul est l'utilisation d'un système complexe par lequel les informations sont comptabilisées en double. Tout cela peut être fait grâce à un réseau neuronal circulatoire (rnn) qui utilise un système dynamique ou un « pool de réserve» pour effectuer des tâches de reconnaissance de formes.

Cependant, les rnn traditionnels, constitués d'un grand nombre de nœuds indépendants et interconnectés ou de neurones avec plusieurs paramètres, peuvent rendre ces systèmes maladroits, difficiles à entraîner et même entraîner une dépense énergétique élevée, ce qui peut entraver l'application. Le calcul du pool de réserve simplifie cela en sélectionnant aléatoirement les paramètres et en ne formant que les nœuds de sortie, ce qui réduit considérablement la complexité.

Des recherches récentes se sont tournées vers l'adoption d'une base physique capable d'effectuer des tâches de reconnaissance de formes pour effectuer des calculs de pool de réserve. Dans la mesure où un tel matériau est suffisamment complexe, non linéaire (la variation de l'entrée n'est pas nécessairement la même que celle de la sortie) et présente des propriétés de mémoire décroissantes, c'est - à - dire que la capacité du système à se souvenir des signaux d'entrées passées diminue au fil du temps, Il peut jouer le rôle de pool de réserve.