各種形式的模式識別，特別是機器學習，已經(jīng)被廣泛應(yīng)用于各種現(xiàn)代技術(shù)。通過發(fā)現(xiàn)數(shù)據(jù)中的模式，機器學習能夠?qū)⒋祟惸Ｊ睫D(zhuǎn)變?yōu)榭衫斫獾男畔?，比如，識別自動駕駛汽車行進路徑上的物體，或者識別入侵者的熱特征等。

以與機器學習類似的方式，一種名為“儲備池計算"（reservoir computing）的新興框架可用于從數(shù)據(jù)中學習模式。此種計算形式的關(guān)鍵是采用一個復雜的系統(tǒng)，通過該系統(tǒng)對信息進行重復計算。這一切可通過一種循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）來完成，該網(wǎng)絡(luò)采用動力系統(tǒng)或“儲備池"來執(zhí)行模式識別任務(wù)。

不過，傳統(tǒng)的RNN由大量獨立、相互連接的節(jié)點或具有多個參數(shù)的神經(jīng)元構(gòu)成，會導致此類系統(tǒng)笨拙、難以訓練，甚至會導致高能量消耗，從而阻礙應(yīng)用。儲備池計算則通過隨機選擇參數(shù)以及只訓練輸出節(jié)點來簡化這一點，極大地降低復雜性。

最近的研究已經(jīng)轉(zhuǎn)向采用能夠執(zhí)行模式識別任務(wù)的物理基礎(chǔ)，來進行儲備池計算。只要此類材料足夠復雜、非線性（輸入的變化不一定與輸出的變化相同），并且具有漸漸減弱的記憶特性，即該系統(tǒng)隨著時間的推移，回憶過去輸入的信號的能力逐漸減弱，其就能夠發(fā)揮儲備池的作用。