虽然深度学习办法在许多范畴获得了显着打破，但这一些办法往往依赖于巨大且杂乱的神经网络模型进行练习，在实践使用中带来了不小应战。因而，急需寻觅细巧、轻量级并能快速推理及习惯新环境的模型。作为一种或许替换当时深度学习范式的趋势, 神经形状核算引起广泛重视。其方针是开宣布功耗远低于根据晶体管电路规划准则下现存核算机体系，并摒弃传统冯·诺依曼架构，从生物及物理原理获取创意。

　　最近发表于Nature Communications的一项研讨，整理储层核算 （Reservoir Computing, RC） 的研讨发展。储层核算作为神经形状核算的一个重要分支，在曩昔二十年中获得显着发展。这类模型使用固定且随机生成的较小循环神经网络——也便是“储层”，经过其与输入信号的交互发生丰厚的动态呼应，只需练习输出层来读取这些呼应。这种规划大幅度减少了参数空间和核算担负，使得储层核算成为处理时刻序列数据及非线性体系建模等使命的杰出挑选。

　　研讨团队归纳考量理论、算法和试验效果，提出了一个整体性的储层核算办法论，目的缩小当时研讨与工业使用之间有的距离。虽然储层核算在理论和试验方面获得显着效果，但其在工业界大范围的使用却相对有限，底子原因是缺少可以广泛处理实践问题的“杀手级”使用。

　　图1 储层核算研讨的里程碑，包含体系和算法规划、理论、试验完成以及使用。