Un marco de aprendizaje automático que utiliza sistemas dinámicos para el procesamiento de datos temporales.La computación de reservorio es un paradigma de aprendizaje automático que aprovecha la dinámica intrínseca de un sistema físico o simulado—el 'reservorio'—para procesar datos temporales. En lugar de entrenar toda la red, solo se entrena una capa de lectura simple, mientras que el reservorio permanece fijo. Esto lo hace altamente eficiente para tareas como la predicción de series temporales, el reconocimiento de patrones y el procesamiento de señales, y puede implementarse en hardware no convencional, desde sistemas ópticos hasta dispositivos magnéticos.
La computación de reservorio surgió a principios de la década de 2000 a partir de dos desarrollos independientes: las redes de estado de eco de Herbert Jaeger y las máquinas de estados líquidos de Wolfgang Maass.
El reservorio es un sistema dinámico que mapea las señales de entrada a un espacio de estados de alta dimensión, donde las transformaciones no lineales hacen que los datos sean más linealmente separables. La capa de lectura, a menudo una regresión lineal, aprende a mapear estos estados a las salidas deseadas. Debido a que las conexiones internas del reservorio no se ajustan, el entrenamiento es rápido y requiere recursos computacionales mínimos, lo que lo hace adecuado para aplicaciones en tiempo real y en el borde.
Se utiliza en robótica para el control motor, en telecomunicaciones para la ecualización de canales, y en investigación científica para modelar sistemas dinámicos complejos, incluyendo sistemas cuánticos y dinámica de fluidos.
Los reservorios físicos pueden estar hechos de casi cualquier sistema no lineal, incluyendo un cubo de agua, un láser caótico, o incluso el brazo de un robot blando.











