研究者は音を識別できる材料を開発し、自動運転車のセンサーに応用できる

様々な形式のパターン認識、特に機械学習は、様々な現代技術に広く応用されている。データ中のパターンを発見することにより、機械学習は、自動運転車の走行経路上の物体を識別したり、侵入者の熱的特徴を識別したりするなど、このようなパターンを理解可能な情報に変換することができる。

機械学習と同様に、「リザーブプール計算」（reservoir computing）という新しいフレームワークを使用して、データからモデルを学習することができます。この計算形式の鍵は、情報を繰り返し計算する複雑なシステムを採用することです。これらのすべては、動力システムまたは「リザーブプール」を使用してモード識別タスクを実行する循環ニューラルネットワーク（RNN）によって達成することができる。

しかし、従来のRNNは大量の独立した、相互に接続されたノードまたは複数のパラメータを持つニューロンで構成されており、そのようなシステムが不器用で訓練が困難であり、高エネルギー消費を招き、応用を阻害することもある。リザーブプール計算は、パラメータをランダムに選択し、出力ノードだけを訓練することで簡略化され、複雑さを大幅に低減します。

最近の研究では、モデル認識タスクを実行できる物理的な基礎を採用してプール計算を行うことに移行しています。このような材料が十分に複雑で非線形であり（入力の変化が出力の変化と同じであるとは限らない）、そして、時間が経つにつれて、過去に入力された信号を思い出す能力が徐々に弱まっていく記憶特性を持っていれば、それはリザーブプールの役割を果たすことができる。