大腦如何“憑空”產(chǎn)生模式？最反直覺(jué)的造腦方式——儲(chǔ)備池計(jì)算、回聲狀態(tài)網(wǎng)絡(luò)與大腦的自主模式生成

掃描或長(zhǎng)按識(shí)別二維碼獲取超強(qiáng)醫(yī)療模型MedGPT免費(fèi)使用額度

閉上眼睛，在腦中回想一首熟悉的歌。此時(shí)并沒(méi)有聲波推動(dòng)耳膜，也沒(méi)有外界音樂(lè)進(jìn)入聽(tīng)覺(jué)系統(tǒng)，但旋律仍能在主觀經(jīng)驗(yàn)中被“聽(tīng)見(jiàn)”。同樣，斑胸草雀能夠穩(wěn)定地產(chǎn)生復(fù)雜鳴唱序列，運(yùn)動(dòng)員能夠把投擲動(dòng)作組織成毫秒級(jí)精確的肌肉命令，人類(lèi)也能夠在沒(méi)有即時(shí)外部輸入的情況下想象、規(guī)劃和內(nèi)心演練。這些現(xiàn)象指向一個(gè)核心問(wèn)題：神經(jīng)系統(tǒng)如何自主地產(chǎn)生有時(shí)間結(jié)構(gòu)的復(fù)雜活動(dòng)模式？

在人工智能中，很多模型更像靜態(tài)的輸入—輸出機(jī)器：給定一張圖像，輸出一個(gè)類(lèi)別；給定一段文本，輸出下一個(gè)詞。但大腦并不只是被動(dòng)接收輸入再給出反應(yīng)。它是一套具有內(nèi)部動(dòng)力學(xué)的系統(tǒng)，即使輸入很弱、很短或已經(jīng)消失，網(wǎng)絡(luò)活動(dòng)仍會(huì)在內(nèi)部繼續(xù)演化。理解這種“內(nèi)部會(huì)動(dòng)的機(jī)器”，是理解自然智能和構(gòu)造類(lèi)腦AI 的關(guān)鍵。

儲(chǔ)備池計(jì)算最反直覺(jué)的地方在于：如果想讓一個(gè)系統(tǒng)產(chǎn)生復(fù)雜行為，我們不一定需要精確訓(xùn)練網(wǎng)絡(luò)內(nèi)部的每一條連接；相反，可以保留一個(gè)隨機(jī)、復(fù)雜、具有衰減記憶的循環(huán)網(wǎng)絡(luò)，只訓(xùn)練最后的讀出層。換句話說(shuō)，復(fù)雜性不是被細(xì)致雕刻出來(lái)的，而是被一個(gè)豐富的動(dòng)力學(xué)“水池”自然提供出來(lái)的。學(xué)習(xí)的任務(wù)不是控制水池中每一滴水，而是學(xué)會(huì)從水面的漣漪中讀出我們想要的信號(hào)。

一、從靜態(tài)網(wǎng)絡(luò)到循環(huán)動(dòng)力學(xué)

普通前饋神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)是單向的：輸入經(jīng)過(guò)若干層變換，最后得到輸出。這類(lèi)網(wǎng)絡(luò)擅長(zhǎng)處理靜態(tài)模式，卻天然缺少時(shí)間。若要表示一首歌、一個(gè)動(dòng)作序列或一段連續(xù)思考，系統(tǒng)必須擁有記憶，也必須讓過(guò)去的狀態(tài)影響現(xiàn)在。循環(huán)神經(jīng)網(wǎng)絡(luò)正是為了解決這一點(diǎn)：神經(jīng)元的輸出不僅流向下一層，也會(huì)通過(guò)反饋連接重新影響自身和網(wǎng)絡(luò)中其他神經(jīng)元。

可以把這種循環(huán)系統(tǒng)想象成一個(gè)游泳池。一個(gè)外部輸入就像有人跳入水中，造成最初的擾動(dòng)；即使人已經(jīng)離開(kāi)，水面漣漪仍會(huì)擴(kuò)散、反射、相互干涉。這個(gè)系統(tǒng)的“記憶”并不是存放在某個(gè)單獨(dú)變量中，而是分布在整個(gè)水面正在演化的動(dòng)力學(xué)狀態(tài)里。大腦中的神經(jīng)網(wǎng)絡(luò)也類(lèi)似：一個(gè)短暫輸入可以在循環(huán)回路中留下暫時(shí)痕跡，隨后被網(wǎng)絡(luò)自身的內(nèi)部動(dòng)力學(xué)繼續(xù)加工。

這種觀點(diǎn)與傳統(tǒng)機(jī)器學(xué)習(xí)的控制思路不同。傳統(tǒng)訓(xùn)練往往試圖精確調(diào)整每一個(gè)權(quán)重，使網(wǎng)絡(luò)按照設(shè)計(jì)者希望的方式變換輸入。但一旦加入循環(huán)，權(quán)重的作用就會(huì)糾纏在時(shí)間中：今天輕微改變某條連接，可能在數(shù)秒之后以完全非線性的方式改變整個(gè)活動(dòng)軌跡。這使得循環(huán)網(wǎng)絡(luò)難以訓(xùn)練，也使得標(biāo)準(zhǔn)反向傳播的時(shí)間展開(kāi)版本在長(zhǎng)序列中容易遭遇梯度消失、梯度爆炸和計(jì)算成本過(guò)高等問(wèn)題。

二、混亂不能太混亂：回聲狀態(tài)性質(zhì)

儲(chǔ)備池計(jì)算的第一個(gè)關(guān)鍵概念是回聲狀態(tài)性質(zhì)。一個(gè)好的循環(huán)網(wǎng)絡(luò)既不能死寂，也不能失控。若連接太弱，輸入造成的活動(dòng)很快衰減，系統(tǒng)沒(méi)有足夠記憶；若連接太強(qiáng)，網(wǎng)絡(luò)會(huì)進(jìn)入自我維持的混沌狀態(tài)，微小誤差被不斷放大，最終使活動(dòng)軌跡變得不可預(yù)測(cè)。真正有用的狀態(tài)位于兩者之間：輸入會(huì)留下可利用的暫時(shí)痕跡，但這種痕跡會(huì)逐漸消散，而不會(huì)永遠(yuǎn)支配系統(tǒng)。

這類(lèi)似游泳池中的漣漪。水面若完全沒(méi)有慣性，就無(wú)法保留任何過(guò)去信息；若完全沒(méi)有阻尼，任何擾動(dòng)都會(huì)永不消退，新的輸入也會(huì)被舊漣漪淹沒(méi)。回聲狀態(tài)網(wǎng)絡(luò)需要的正是“有限記憶”：過(guò)去影響現(xiàn)在，但不會(huì)無(wú)限拖累未來(lái)。

在數(shù)學(xué)上，回聲狀態(tài)性質(zhì)通常與循環(huán)權(quán)重矩陣的譜半徑、非線性激活函數(shù)、泄漏積分時(shí)間常數(shù)和輸入驅(qū)動(dòng)強(qiáng)度有關(guān)。直觀地說(shuō)，儲(chǔ)備池必須被調(diào)到一個(gè)足夠豐富卻仍然穩(wěn)定的動(dòng)力學(xué)區(qū)域。這個(gè)區(qū)域有時(shí)被稱(chēng)為“混沌邊緣”，雖然這一說(shuō)法在不同模型中需要謹(jǐn)慎使用，但它抓住了一個(gè)重要直覺(jué)：太有序的系統(tǒng)沒(méi)有表達(dá)力，太混亂的系統(tǒng)不可控制，智能計(jì)算常常需要在穩(wěn)定與可變之間取得平衡。

三、最反直覺(jué)的一步：不要訓(xùn)練儲(chǔ)備池

儲(chǔ)備池計(jì)算真正反直覺(jué)的地方在于：網(wǎng)絡(luò)內(nèi)部的循環(huán)連接可以是隨機(jī)的，而且通常不需要訓(xùn)練。我們先隨機(jī)連接大量神經(jīng)元，形成一個(gè)高維動(dòng)態(tài)系統(tǒng)；外部輸入或簡(jiǎn)單驅(qū)動(dòng)信號(hào)進(jìn)入這個(gè)系統(tǒng)后，會(huì)激發(fā)出一大組復(fù)雜、彼此不同的時(shí)間活動(dòng)軌跡。隨后，我們只訓(xùn)練一個(gè)讀出層，讓它以線性組合的方式把這些內(nèi)部活動(dòng)混合起來(lái)，生成目標(biāo)輸出。

這看似不可思議。為什么一堆隨機(jī)神經(jīng)元的混亂活動(dòng)中會(huì)“藏著”一首鳥(niǎo)鳴、一段運(yùn)動(dòng)命令或一個(gè)時(shí)間序列預(yù)測(cè)？答案在于高維表示。隨機(jī)循環(huán)網(wǎng)絡(luò)會(huì)把簡(jiǎn)單輸入展開(kāi)成大量不同的動(dòng)態(tài)特征，就像把一個(gè)低維信號(hào)投射到一個(gè)高維空間。在這個(gè)空間中，許多原本復(fù)雜的目標(biāo)函數(shù)可以用簡(jiǎn)單線性讀出近似。

因此，儲(chǔ)備池計(jì)算把難題重新分配了。它不再要求我們訓(xùn)練一個(gè)復(fù)雜循環(huán)網(wǎng)絡(luò)的全部?jī)?nèi)部連接，而是讓隨機(jī)動(dòng)力學(xué)自動(dòng)生成豐富特征，再用線性回歸訓(xùn)練輸出權(quán)重。訓(xùn)練從“馴服整個(gè)系統(tǒng)”變成“選擇合適的觀察角度”。這也是為什么它常被視為一種計(jì)算上高效、結(jié)構(gòu)上優(yōu)雅的循環(huán)網(wǎng)絡(luò)訓(xùn)練方案。

四、一個(gè)簡(jiǎn)單模型：隨機(jī)儲(chǔ)備池與線性讀出

儲(chǔ)備池計(jì)算通常包含三部分：輸入驅(qū)動(dòng)、隨機(jī)循環(huán)儲(chǔ)備池和讀出層。儲(chǔ)備池內(nèi)部連接固定不變；讀出層從所有儲(chǔ)備池單元接收信號(hào)，并通過(guò)可訓(xùn)練權(quán)重生成輸出。一個(gè)常見(jiàn)離散時(shí)間形式可以寫(xiě)成：

x(t+1) = f(W_res x(t) + W_in u(t)), y(t) = W_out x(t)

其中 x(t) 表示儲(chǔ)備池狀態(tài)，u(t) 是輸入，W_res 是固定的隨機(jī)循環(huán)連接，W_in是輸入連接，W_out 是唯一需要學(xué)習(xí)的輸出權(quán)重。訓(xùn)練時(shí)，我們記錄多個(gè)時(shí)刻的 x(t)，然后求解一個(gè)線性回歸問(wèn)題，使W_out x(t) 盡可能接近目標(biāo)輸出 y*(t)。

這種設(shè)計(jì)的簡(jiǎn)潔性非常重要。RNN訓(xùn)練通常要處理長(zhǎng)期時(shí)間依賴(lài)、循環(huán)誤差傳播和非凸優(yōu)化；而儲(chǔ)備池計(jì)算把訓(xùn)練問(wèn)題壓縮為一次線性求解或帶正則化的嶺回歸。它犧牲了對(duì)內(nèi)部連接的精確控制，卻換來(lái)了訓(xùn)練穩(wěn)定性、計(jì)算效率和對(duì)時(shí)序信號(hào)的強(qiáng)表達(dá)能力。

當(dāng)然，儲(chǔ)備池不是任意隨機(jī)網(wǎng)絡(luò)都有效。網(wǎng)絡(luò)規(guī)模、譜半徑、稀疏度、輸入尺度、泄漏率和非線性強(qiáng)度都會(huì)影響性能。換句話說(shuō)，儲(chǔ)備池雖然“不訓(xùn)練”，但需要“設(shè)計(jì)”和“調(diào)參”。它的反直覺(jué)不是說(shuō)結(jié)構(gòu)無(wú)關(guān)緊要，而是說(shuō)復(fù)雜行為不一定來(lái)自逐連接微管理，也可以來(lái)自一個(gè)被調(diào)到合適動(dòng)力學(xué)區(qū)域的隨機(jī)系統(tǒng)。

五、為什么隨機(jī)噪聲中能讀出復(fù)雜模式

理解儲(chǔ)備池計(jì)算的一個(gè)好類(lèi)比來(lái)自傅里葉分析。傅里葉發(fā)現(xiàn)，復(fù)雜波形可以分解成許多正弦波和余弦波的疊加。單個(gè)正弦波很簡(jiǎn)單，但足夠多的基函數(shù)按合適比例組合后，幾乎可以近似任意復(fù)雜曲線。這里的關(guān)鍵是“基”：我們不必直接構(gòu)造目標(biāo)曲線，只要擁有一組足夠豐富的基本形狀，并學(xué)會(huì)如何組合它們。

儲(chǔ)備池中的神經(jīng)元活動(dòng)可以看作一組隨機(jī)生成的時(shí)間基函數(shù)。每個(gè)神經(jīng)元對(duì)輸入的反應(yīng)都略有不同，形成不同頻率、相位、衰減和非線性混合的時(shí)間軌跡。單看某個(gè)神經(jīng)元，它的活動(dòng)可能像雜亂噪聲；但從整體看，數(shù)百或數(shù)千個(gè)神經(jīng)元共同形成了一個(gè)豐富的動(dòng)態(tài)函數(shù)庫(kù)。讀出層的任務(wù)，就是選擇每個(gè)“隨機(jī)基函數(shù)”的權(quán)重，使它們相加后逼近目標(biāo)信號(hào)。

這解釋了為什么儲(chǔ)備池計(jì)算可以用相對(duì)簡(jiǎn)單的訓(xùn)練方法產(chǎn)生復(fù)雜輸出。它并不是從無(wú)到有創(chuàng)造復(fù)雜性，而是先用隨機(jī)循環(huán)動(dòng)力學(xué)生成一個(gè)龐大的可能性空間，再?gòu)闹芯€性組合出目標(biāo)模式。復(fù)雜性存在于儲(chǔ)備池的動(dòng)態(tài)展開(kāi)中；學(xué)習(xí)則發(fā)生在讀出層對(duì)這些動(dòng)態(tài)特征的選擇中。

六、自主模式生成

儲(chǔ)備池計(jì)算與神經(jīng)科學(xué)的聯(lián)系，最直接體現(xiàn)在自主模式生成。許多行為并不是簡(jiǎn)單反射，而是內(nèi)部生成的時(shí)間序列：鳥(niǎo)鳴、步態(tài)、手臂運(yùn)動(dòng)、語(yǔ)言發(fā)音、內(nèi)心旋律、甚至思維流。外部輸入可以觸發(fā)或調(diào)制這些序列，但序列本身依賴(lài)神經(jīng)網(wǎng)絡(luò)的內(nèi)部動(dòng)力學(xué)。

Sussillo 和 Abbott 提出的 FORCE learning 展示了一個(gè)重要方向：即使一個(gè)循環(huán)網(wǎng)絡(luò)本身具有混沌活動(dòng)，也可以通過(guò)訓(xùn)練讀出或部分反饋權(quán)重，使其產(chǎn)生穩(wěn)定、連貫、復(fù)雜的時(shí)間活動(dòng)模式。這類(lèi)研究說(shuō)明，隨機(jī)或混沌的網(wǎng)絡(luò)并非只能制造噪聲；在合適訓(xùn)練機(jī)制下，它可以成為復(fù)雜動(dòng)力學(xué)模式的生成器。

在生物腦中，我們不應(yīng)把所有復(fù)雜行為都理解為中央控制器逐步發(fā)出指令。許多行為可能由分布式循環(huán)回路產(chǎn)生，外部輸入和高層目標(biāo)只是改變動(dòng)力學(xué)軌跡的初始條件或約束。儲(chǔ)備池計(jì)算因此提供了一種簡(jiǎn)潔圖景：大腦不一定需要為每個(gè)復(fù)雜行為預(yù)先寫(xiě)出精確程序，而可以利用神經(jīng)回路本身豐富的動(dòng)態(tài)資源。

七、為什么這是一種造腦的反直覺(jué)方式？

如果按照傳統(tǒng)工程直覺(jué)，要制造一個(gè)能產(chǎn)生復(fù)雜行為的大腦式系統(tǒng)，就應(yīng)該精確設(shè)計(jì)內(nèi)部結(jié)構(gòu)，仔細(xì)優(yōu)化每條連接，讓每個(gè)單元都承擔(dān)明確功能。但儲(chǔ)備池計(jì)算給出了相反答案：內(nèi)部可以混亂、隨機(jī)、難以解釋?zhuān)恢灰哂蟹€(wěn)定而豐富的動(dòng)力學(xué)，我們就可以只訓(xùn)練一個(gè)簡(jiǎn)單讀出層，讓復(fù)雜行為從整體狀態(tài)中被讀出來(lái)。

這與大腦的某些特征形成呼應(yīng)。真實(shí)神經(jīng)系統(tǒng)并不像手工設(shè)計(jì)的電路板那樣整齊；它充滿循環(huán)連接、局部反饋、噪聲、異質(zhì)性、冗余和非線性。過(guò)去工程師可能把這些看作麻煩，但儲(chǔ)備池計(jì)算提示我們：混亂不一定是缺陷，隨機(jī)性和高維動(dòng)力學(xué)可能正是計(jì)算能力的來(lái)源。

這也是“最反直覺(jué)”的地方。構(gòu)造智能系統(tǒng)時(shí)，我們未必需要完全控制內(nèi)部每個(gè)組件。相反，我們可能需要?jiǎng)?chuàng)造一個(gè)足夠豐富、足夠穩(wěn)定、足夠可讀出的動(dòng)態(tài)介質(zhì)。智能不是把每條漣漪都安排好，而是在復(fù)雜漣漪中找到可用的結(jié)構(gòu)。

八、與深度學(xué)習(xí)和大模型的關(guān)系？

儲(chǔ)備池計(jì)算并不是要取代所有深度學(xué)習(xí)方法。它在許多現(xiàn)代任務(wù)中并不一定比深度網(wǎng)絡(luò)更強(qiáng)，尤其在大規(guī)模視覺(jué)、語(yǔ)言和多模態(tài)學(xué)習(xí)中，端到端訓(xùn)練的 Transformer 和深度神經(jīng)網(wǎng)絡(luò)仍具有巨大優(yōu)勢(shì)。但儲(chǔ)備池計(jì)算提供了一個(gè)重要補(bǔ)充：它展示了復(fù)雜時(shí)序計(jì)算不必完全依賴(lài)全網(wǎng)絡(luò)反向傳播，也不必精確訓(xùn)練內(nèi)部循環(huán)連接。

在工程上，儲(chǔ)備池計(jì)算適合處理時(shí)間序列、信號(hào)預(yù)測(cè)、機(jī)器人控制、邊緣設(shè)備低成本學(xué)習(xí)、神經(jīng)形態(tài)硬件和實(shí)時(shí)動(dòng)態(tài)系統(tǒng)。由于訓(xùn)練只發(fā)生在讀出層，它可以比標(biāo)準(zhǔn) RNN 訓(xùn)練更穩(wěn)定、更快，也更容易在某些物理系統(tǒng)中實(shí)現(xiàn)。甚至可以把真實(shí)物理介質(zhì)本身當(dāng)作儲(chǔ)備池，例如光學(xué)系統(tǒng)、機(jī)械系統(tǒng)、電子混沌電路或生物神經(jīng)組織。

從類(lèi)腦 AI 的角度看，它的重要性在于改變了我們對(duì)“學(xué)習(xí)”的想象。學(xué)習(xí)不一定總是大規(guī)模修改內(nèi)部連接；有時(shí)，內(nèi)部動(dòng)力學(xué)可以作為先天資源，學(xué)習(xí)只需要在輸出端選擇如何利用這些資源。這與大腦中大量先天回路、發(fā)育結(jié)構(gòu)和經(jīng)驗(yàn)調(diào)制之間的關(guān)系有一定啟發(fā)性。

局限性

盡管儲(chǔ)備池計(jì)算優(yōu)雅而強(qiáng)大，但它也有明顯局限。首先，儲(chǔ)備池性能高度依賴(lài)超參數(shù)，例如網(wǎng)絡(luò)規(guī)模、連接稀疏度、譜半徑和輸入縮放。隨機(jī)網(wǎng)絡(luò)并不保證自動(dòng)有效，設(shè)計(jì)不當(dāng)?shù)膬?chǔ)備池可能過(guò)度衰減、進(jìn)入混沌，或無(wú)法提供足夠豐富的動(dòng)態(tài)特征。

其次，只訓(xùn)練線性讀出層雖然帶來(lái)穩(wěn)定性，也限制了表達(dá)能力。當(dāng)任務(wù)需要層級(jí)抽象、長(zhǎng)程結(jié)構(gòu)理解、符號(hào)推理或復(fù)雜世界模型時(shí)，單一儲(chǔ)備池可能不夠。現(xiàn)代研究因此發(fā)展出深層儲(chǔ)備池、多儲(chǔ)備池、可塑性?xún)?chǔ)備池和混合深度模型，試圖在固定隨機(jī)動(dòng)力學(xué)與可訓(xùn)練深度表示之間取得平衡。

第三，儲(chǔ)備池計(jì)算對(duì)大腦的解釋仍然是模型性和啟發(fā)性的。真實(shí)大腦當(dāng)然存在可塑性，不會(huì)只訓(xùn)練讀出層；皮層、基底節(jié)、小腦和海馬等系統(tǒng)也有多種復(fù)雜學(xué)習(xí)機(jī)制。因此，儲(chǔ)備池計(jì)算更像是揭示一種可能的計(jì)算原則：復(fù)雜循環(huán)動(dòng)力學(xué)可以為學(xué)習(xí)提供豐富基底，而不是對(duì)整個(gè)大腦學(xué)習(xí)機(jī)制的完整解釋。

結(jié)論

儲(chǔ)備池計(jì)算提供了一種非常反直覺(jué)卻深刻的造腦思路：要產(chǎn)生復(fù)雜行為，不一定要訓(xùn)練網(wǎng)絡(luò)內(nèi)部的每一條連接；可以先構(gòu)造一個(gè)穩(wěn)定而豐富的循環(huán)動(dòng)力學(xué)系統(tǒng)，再訓(xùn)練一個(gè)簡(jiǎn)單讀出層，從高維活動(dòng)中提取目標(biāo)模式。這種思想把復(fù)雜性從“被工程師精確寫(xiě)入”轉(zhuǎn)移為“由動(dòng)態(tài)系統(tǒng)自然展開(kāi)”。

它告訴我們，大腦的隨機(jī)性、循環(huán)性、噪聲和復(fù)雜連接并不一定是需要消除的缺陷，而可能是生成行為、記憶歷史和表達(dá)時(shí)間結(jié)構(gòu)的資源。一個(gè)輸入留下回聲，一個(gè)隨機(jī)網(wǎng)絡(luò)產(chǎn)生豐富漣漪，一個(gè)線性讀出把漣漪翻譯成行為；這就是儲(chǔ)備池計(jì)算最簡(jiǎn)潔也最美的地方。

在更廣闊的 AI 架構(gòu)討論中，儲(chǔ)備池計(jì)算提醒我們：未來(lái)的智能系統(tǒng)不一定只靠更大模型、更深網(wǎng)絡(luò)和更昂貴的端到端訓(xùn)練。另一條路徑是設(shè)計(jì)能自發(fā)產(chǎn)生豐富動(dòng)力學(xué)的系統(tǒng)，讓學(xué)習(xí)變成對(duì)已有動(dòng)態(tài)資源的讀取、組合和調(diào)制。真正的大腦也許并不是一臺(tái)被精密寫(xiě)好的程序機(jī)，而更像一個(gè)充滿漣漪的動(dòng)態(tài)世界；智能則是在這些漣漪中找到可行動(dòng)的模式。

參考文獻(xiàn)Jaeger, H. (2001). The “echo state” approach to analysing and training recurrent neural networks. GMD Report 148, German National Research Center for Information Technology.Maass, W., Natschl?ger, T., & Markram, H. (2002). Real-time computing without stable states: A new framework for neural computation based on perturbations. Neural Computation, 14(11), 2531–2560. https://doi.org/10.1162/089976602760407955Luko?evi?ius, M., & Jaeger, H. (2009). Reservoir computing approaches to recurrent neural network training. Computer Science Review, 3(3), 127–149. https://doi.org/10.1016/j.cosrev.2009.03.005Sussillo, D., & Abbott, L. F. (2009). Generating coherent patterns of activity from chaotic neural networks. Neuron, 63(4), 544–557. https://doi.org/10.1016/j.neuron.2009.07.018Schrauwen, B., Verstraeten, D., & Van Campenhout, J. (2007). An overview of reservoir computing: Theory, applications and implementations. Proceedings of the 15th European Symposium on Artificial Neural Networks.Tanaka, G., Yamane, T., Héroux, J. B., et al. (2019). Recent advances in physical reservoir computing: A review. Neural Networks, 115, 100–123. https://doi.org/10.1016/j.neunet.2019.03.005

掃描或長(zhǎng)按識(shí)別二維碼獲取超強(qiáng)醫(yī)療模型MedGPT免費(fèi)使用額度