Hispanopedia Wiki
Articulo de referencia

computación de reservorio

La computación de reservorio es un marco de computación derivado de la teoría de redes neuronales recurrentes que mapea señales de entrada a espacios computacionales de dimensio...

Hispanopedia WikiContenido en espanolLectura gratuita

La computación de reservorio es un marco de computación derivado de la teoría de redes neuronales recurrentes que mapea señales de entrada a espacios computacionales de dimensiones superiores a través de la dinámica de un sistema fijo no lineal llamado reservorio. [ 1 ] Después de que la señal de entrada se introduce en el reservorio, que se trata como una "caja negra", se entrena un mecanismo de lectura simple para leer el estado del reservorio y mapearlo a la salida deseada. [ 1 ] El primer beneficio clave de este marco es que el entrenamiento se realiza solo en la etapa de lectura, ya que la dinámica del reservorio es fija. [ 1 ] El segundo es que la potencia computacional de los sistemas disponibles naturalmente, tanto clásicos como cuánticos, se puede utilizar para reducir el costo computacional efectivo. [ 2 ]

Historia

Los primeros ejemplos de redes neuronales de reservorio demostraron que las redes neuronales recurrentes conectadas aleatoriamente podían usarse para el aprendizaje de secuencias sensoriomotoras , [ 3 ] y formas simples de discriminación de intervalos y habla. [ 4 ] [ 5 ] En estos primeros modelos [ 4 ] [ 5 ] la memoria en la red tomó la forma tanto de plasticidad sináptica a corto plazo como de actividad mediada por conexiones recurrentes. En otros primeros modelos de redes neuronales de reservorio la memoria del historial reciente de estímulos fue proporcionada únicamente por la actividad recurrente. [ 3 ] [ 6 ] [ 7 ] En general, el concepto general de computación de reservorio proviene del uso de conexiones recursivas dentro de las redes neuronales para crear un sistema dinámico complejo . [ 8 ] Es una generalización de arquitecturas de redes neuronales anteriores como redes neuronales recurrentes, máquinas de estado líquido y redes de estado de eco . La computación de reservorio también se extiende a sistemas físicos que no son redes en el sentido clásico, sino sistemas continuos en el espacio y/o el tiempo: por ejemplo, un "cubo de agua" literal puede servir como reservorio que realiza cálculos sobre entradas dadas como perturbaciones de la superficie. [ 9 ] Se ha descubierto que la complejidad resultante de tales redes neuronales recurrentes es útil para resolver una variedad de problemas, incluido el procesamiento del lenguaje y el modelado de sistemas dinámicos. [ 8 ] Sin embargo, el entrenamiento de redes neuronales recurrentes es desafiante y computacionalmente costoso. [ 8 ] La computación de reservorio reduce esos desafíos relacionados con el entrenamiento al fijar la dinámica del reservorio y entrenar solo la capa de salida lineal. [ 8 ]

Una gran variedad de sistemas dinámicos no lineales pueden servir como reservorio para realizar cálculos. En los últimos años, los láseres semiconductores han despertado un gran interés, ya que su capacidad de cálculo es rápida y energéticamente eficiente en comparación con los componentes eléctricos.

Los recientes avances tanto en IA como en la teoría de la información cuántica han dado lugar al concepto de redes neuronales cuánticas . [ 10 ] Estas son prometedoras en el procesamiento de información cuántica, que representa un desafío para las redes clásicas, pero también pueden encontrar aplicación en la resolución de problemas clásicos. [ 10 ] [ 11 ] En 2018, se demostró una realización física de una arquitectura de computación de reservorio cuántico en forma de espines nucleares dentro de un sólido molecular. [ 11 ] Sin embargo, los experimentos de espines nucleares en [ 11 ] no demostraron la computación de reservorio cuántico per se, ya que no implicaron el procesamiento de datos secuenciales. Más bien, los datos eran entradas vectoriales, lo que hace que esto sea más precisamente una demostración de la implementación cuántica de un algoritmo aleatorio de fregadero de cocina [ 12 ] (también conocido como máquinas de aprendizaje extremo en algunas comunidades). En 2019, se propuso otra posible implementación de procesadores de reservorio cuántico en forma de redes fermiónicas bidimensionales. [ 11 ] En 2020, se propuso y demostró la realización de computación de reservorio en computadoras cuánticas basadas en puertas en computadoras cuánticas superconductoras de corto plazo de IBM basadas en la nube. [ 13 ]

Las computadoras de reservorio se han utilizado para el análisis de series temporales . En particular, algunos de sus usos incluyen la predicción de series temporales caóticas , [ 14 ] [ 15 ] la separación de señales caóticas , [ 16 ] y la inferencia de enlaces de redes a partir de su dinámica. [ 17 ]

computación de reservorio clásica

Depósito

En la computación de reservorio, el «reservorio» es la estructura interna del ordenador y debe poseer dos propiedades: debe estar compuesto por unidades individuales no lineales y debe ser capaz de almacenar información. La no linealidad describe la respuesta de cada unidad a la entrada, lo que permite a los ordenadores de reservorio resolver problemas complejos. Los reservorios almacenan información conectando las unidades en bucles recurrentes, donde la entrada anterior influye en la respuesta siguiente. El cambio en la reacción debido al pasado permite entrenar a los ordenadores para completar tareas específicas. [ 18 ]

Los depósitos pueden ser virtuales o físicos. [ 18 ] Los depósitos virtuales se generan típicamente de forma aleatoria y se diseñan como redes neuronales. [ 18 ] [ 8 ] Los depósitos virtuales pueden diseñarse para tener no linealidad y bucles recurrentes, pero, a diferencia de las redes neuronales, las conexiones entre unidades son aleatorias y permanecen inalteradas durante el cálculo. [ 18 ] Los depósitos físicos son posibles debido a la no linealidad inherente de ciertos sistemas naturales. La interacción entre las ondulaciones en la superficie del agua contiene la dinámica no lineal necesaria en la creación de depósitos, y se desarrolló un RC de reconocimiento de patrones introduciendo primero ondulaciones con motores eléctricos y luego registrando y analizando las ondulaciones en la lectura. [ 1 ]

Leer

La lectura es una capa de red neuronal que realiza una transformación lineal en la salida del reservorio. [ 1 ] Los pesos de la capa de lectura se entrenan analizando los patrones espaciotemporales del reservorio después de la excitación por entradas conocidas y utilizando un método de entrenamiento como una regresión lineal o una regresión Ridge . [ 1 ] Como su implementación depende de los patrones espaciotemporales del reservorio, los detalles de los métodos de lectura se adaptan a cada tipo de reservorio. [ 1 ] Por ejemplo, la lectura para una computadora de reservorio que utiliza un recipiente de líquido como reservorio podría implicar la observación de patrones espaciotemporales en la superficie del líquido. [ 1 ]

Tipos

Red de reverberación de contexto

Un ejemplo temprano de computación de reservorio fue la red de reverberación de contexto. [ 19 ] En esta arquitectura, una capa de entrada alimenta un sistema dinámico de alta dimensión que es leído por un perceptrón de una sola capa entrenable . Se describieron dos tipos de sistemas dinámicos: una red neuronal recurrente con pesos aleatorios fijos y un sistema continuo de reacción-difusión inspirado en el modelo de morfogénesis de Alan Turing . En la capa entrenable, el perceptrón asocia las entradas actuales con las señales que reverberan en el sistema dinámico; se dijo que estas últimas proporcionaban un "contexto" dinámico para las entradas. En el lenguaje de trabajos posteriores, el sistema de reacción-difusión sirvió como reservorio.

Red de estado de eco

El modelo de red de estado de eco de árbol (TreeESN) representa una generalización del marco de computación de reservorio a datos estructurados en árboles. [ 20 ]

Máquina de estado líquido

Máquina de estado líquido caótica

El líquido (es decir, el reservorio) de una máquina de estado líquido caótico (CLSM), [ 21 ] [ 22 ] o reservorio caótico, está formado por neuronas de picos caóticos que estabilizan su actividad al asentarse en una única hipótesis que describe las entradas entrenadas de la máquina. Esto contrasta con los tipos generales de reservorios que no se estabilizan. La estabilización del líquido se produce mediante plasticidad sináptica y control del caos que rigen las conexiones neuronales dentro del líquido. La CLSM ha mostrado resultados prometedores en el aprendizaje de datos de series temporales sensibles. [ 21 ] [ 22 ]

Cálculo transitorio no lineal

Este tipo de procesamiento de información es más relevante cuando las señales de entrada dependientes del tiempo se desvían de la dinámica interna del mecanismo. [ 23 ] Estas desviaciones provocan transitorios o alteraciones temporales que se representan en la salida del dispositivo. [ 23 ]

computación de yacimiento profundo

La extensión del marco de computación de reservorio hacia el aprendizaje profundo , con la introducción de la computación de reservorio profunda y del modelo de red de estado de eco profundo (DeepESN) [ 24 ] [ 25 ] [ 26 ] [ 27 ] permite desarrollar modelos entrenados de manera eficiente para el procesamiento jerárquico de datos temporales, al mismo tiempo que permite la investigación sobre el papel inherente de la composición en capas en las redes neuronales recurrentes .

computación de reservorio cuántico

La computación de reservorio cuántico puede utilizar la naturaleza no lineal de las interacciones o procesos mecánicos cuánticos para formar los reservorios no lineales característicos [ 10 ] [ 11 ] [ 28 ] [ 13 ] , pero también puede realizarse con reservorios lineales cuando la inyección de la entrada al reservorio crea la no linealidad. [ 29 ] La combinación del aprendizaje automático y los dispositivos cuánticos está dando lugar al surgimiento de la computación neuromórfica cuántica como una nueva área de investigación. [ 30 ]

Tipos

Estados gaussianos de osciladores armónicos cuánticos interactuantes

Los estados gaussianos son una clase paradigmática de estados de sistemas cuánticos de variables continuas . [ 31 ] Aunque hoy en día se pueden crear y manipular en, por ejemplo, plataformas ópticas de última generación, [ 32 ] naturalmente robustos a la decoherencia , es bien sabido que no son suficientes para, por ejemplo, la computación cuántica universal porque las transformaciones que preservan la naturaleza gaussiana de un estado son lineales. [ 33 ] Normalmente, la dinámica lineal tampoco sería suficiente para la computación de reservorio no trivial. Sin embargo, es posible aprovechar dicha dinámica para propósitos de computación de reservorio considerando una red de osciladores armónicos cuánticos interactuantes e inyectando la entrada mediante reinicios periódicos del estado de un subconjunto de los osciladores. Con una elección adecuada de cómo los estados de este subconjunto de osciladores dependen de la entrada, los observables del resto de los osciladores pueden convertirse en funciones no lineales de la entrada adecuadas para la computación de reservorio; De hecho, gracias a las propiedades de estas funciones, incluso la computación de reservorio universal se vuelve posible al combinar los observables con una función de lectura polinómica. [ 29 ] En principio, tales computadoras de reservorio podrían implementarse con procesos paramétricos ópticos multimodo controlados , [ 34 ] sin embargo, la extracción eficiente de la salida del sistema es un desafío, especialmente en el régimen cuántico donde se debe tener en cuenta la retroacción de medición .

redes de puntos cuánticos bidimensionales

En esta arquitectura, el acoplamiento aleatorio entre los sitios de la red confiere al reservorio la propiedad de "caja negra" inherente a los procesadores de reservorio. [ 10 ] El reservorio se excita mediante un campo óptico incidente, que actúa como entrada . La lectura se produce en forma de números de ocupación de los sitios de la red, que son funciones naturalmente no lineales de la entrada. [ 10 ]

Espines nucleares en un sólido molecular

En esta arquitectura, el acoplamiento mecánico cuántico entre los espines de átomos vecinos dentro del sólido molecular proporciona la no linealidad necesaria para crear el espacio computacional de dimensiones superiores. [ 11 ] El reservorio se excita mediante radiación electromagnética de radiofrecuencia sintonizada a las frecuencias de resonancia de los espines nucleares relevantes . [ 11 ] La lectura se realiza midiendo los estados de espín nuclear. [ 11 ]

Computación de reservorio en computadoras cuánticas superconductoras de corto plazo basadas en compuertas

El modelo más común de computación cuántica es el modelo basado en compuertas, donde la computación cuántica se realiza mediante aplicaciones secuenciales de compuertas cuánticas unitarias en cúbits de una computadora cuántica. [ 35 ] En [ 13 ] se ha informado sobre una teoría para la implementación de computación de reservorio en una computadora cuántica basada en compuertas con demostraciones de prueba de principio en varias computadoras cuánticas superconductoras ruidosas de escala intermedia ( NISQ ) de IBM . [ 36 ]

Véase también

Referencias

  1. 1 2 3 4 5 6 7 8 Tanaka, Gouhei; Yamane, Toshiyuki; Héroux, Jean Benoit; Nakane, Ryosho; Kanazawa, Naoki; Takeda, Seiji; Numata, Hidetoshi; Nakano, Daiju; Hirose, Akira (2019). "Avances recientes en la computación de yacimientos físicos: una revisión" . Redes Neuronales . 115 : 100–123 . arXiv : 1808.04962 . doi : 10.1016/j.neunet.2019.03.005 . ISSN 0893-6080 . PMID 30981085 .  
  2. ↑ Röhm, André; Lüdge, Kathy (2018-08-03). "Redes multiplexadas: computación de reservorio con nodos virtuales y reales" . Journal of Physics Communications . 2 (8): 085007. arXiv : 1802.08590 . Bibcode : 2018JPhCo...2h5007R . doi : 10.1088/2399-6528/aad56d . ISSN 2399-6528 . 
  3. 1 2 Dominey, Peter; Arbib, Michael; Joseph, Jean-Paul (1995-07-01). "Un modelo de plasticidad corticoestriatal para el aprendizaje de asociaciones y secuencias oculomotoras" . Journal of Cognitive Neuroscience . 7 (3): 311– 336. doi : 10.1162/jocn.1995.7.3.311 . ISSN 0898-929X . PMID 23961864 .  
  4. 1 2 Buonomano, Dean (1995). "Información temporal transformada en un código espacial por una red neuronal con propiedades realistas". Science . 267 (5200): 1028– 30. Bibcode : 1995Sci...267.1028B . doi : 10.1126/science.7863330 . PMID 7863330 . 
  5. 1 2 Maass, Wolfgang (2002). "Computación en tiempo real sin estados estables: un nuevo marco para la computación neuronal basado en perturbaciones". Neural Computation . 14 (11): 2531– 2560. doi : 10.1162/089976602760407955 . PMID 12433288 . 
  6. ↑ Buonomano, Mauk (1994). "Modelo de red neuronal del cerebelo: discriminación temporal y sincronización de las respuestas motoras". Neural Computation . 6 : 38–55 . doi : 10.1162/neco.1994.6.1.38 .
  7. ↑ Jaeger, Herbert (2004). "Aprovechamiento de la no linealidad: predicción de sistemas caóticos y ahorro de energía en la comunicación inalámbrica". Science . 304 (5667): 78– 80. Bibcode : 2004Sci...304...78J . doi : 10.1126/science.1091277 . PMID 15064413 . 
  8. ^ Benjamin Schrauwen , David Verstraeten y Jan Van Campenhout . "Una descripción general de la computación de yacimientos: teoría, aplicaciones e implementaciones". Actas del Simposio europeo sobre redes neuronales artificiales ESANN 2007, págs. 471–482.
  9. ↑ Fernando, C.; Sojakka, Sampsa (2003). "Reconocimiento de patrones en un cubo". Avances en vida artificial . Notas de clase en ciencias de la computación. Vol. 2801. pp. 588–597 . doi : 10.1007/978-3-540-39432-7_63 . ISBN   978-3-540-20057-4. S2CID 15073928 . 
  10. 1 2 3 4 5 Ghosh, Sanjib; Opala, Andrzej; Matuszewski, Michał; Paterek, Tomasz; Liew, Timothy CH (diciembre de 2019). "Procesamiento de yacimientos cuánticos". npj Información cuántica . 5 (1): 35. arXiv : 1811.10335 . Código Bib : 2019npjQI...5...35G . doi : 10.1038/s41534-019-0149-8 . ISSN 2056-6387 . S2CID 119197635 .  
  11. 1 2 3 4 5 6 7 8 Negoro, Makoto; Mitarai, Kosuke; Fujii, Keisuke; Nakajima, Kohei; Kitagawa, Masahiro (2018-06-28). "Aprendizaje automático con dinámica cuántica controlable de un conjunto de espines nucleares en un sólido". arXiv : 1806.10910 [ quant-ph ].
  12. ↑ Rahimi, Ali; Recht, Benjamin (diciembre de 2008). "Sumas ponderadas de sumideros de cocina aleatorios: Reemplazando la minimización con la aleatorización en el aprendizaje" (PDF) . NIPS'08: Actas de la 21.ª Conferencia Internacional sobre Sistemas de Procesamiento de Información Neuronal : 1313–1320 .
  13. 1 2 3 Chen, Jiayin; Nurdin, Hendra; Yamamoto, Naoki (2020-08-24). "Procesamiento de información temporal en computadoras cuánticas ruidosas". Physical Review Applied . 14 (2) 024065. arXiv : 2001.09498 . Bibcode : 2020PhRvP..14b4065C . doi : 10.1103/PhysRevApplied.14.024065 . S2CID 210920543 . 
  14. ↑ Pathak, Jaideep; Hunt, Brian; Girvan, Michelle; Lu, Zhixin; Ott, Edward (2018-01-12). "Predicción sin modelo de grandes sistemas caóticos espaciotemporales a partir de datos: un enfoque de computación de reservorio" . Physical Review Letters . 120 (2) 024102. Bibcode : 2018PhRvL.120b4102P . doi : 10.1103/PhysRevLett.120.024102 . PMID 29376715 . 
  15. ↑ Vlachas, PR; Pathak, J.; Hunt, BR; Sapsis, TP; Girvan, M.; Ott, E.; Koumoutsakos, P. (2020-03-21). "Algoritmos de retropropagación y computación de reservorio en redes neuronales recurrentes para la predicción de dinámicas espaciotemporales complejas". Redes neuronales . 126 : 191–217 . arXiv : 1910.05266 . doi : 10.1016/j.neunet.2020.02.016 . ISSN 0893-6080 . PMID 32248008. S2CID 211146609 .   
  16. ↑ Krishnagopal, Sanjukta; Girvan, Michelle; Ott, Edward; Hunt, Brian R. (2020-02-01). "Separación de señales caóticas mediante computación de reservorio" . Chaos : An Interdisciplinary Journal of Nonlinear Science . 30 (2): 023123. arXiv : 1910.10080 . Bibcode : 2020Chaos..30b3123K . doi : 10.1063/1.5132766 . ISSN 1054-1500 . PMID 32113243. S2CID 204823815 .   
  17. ↑ Banerjee, Amitava; Hart, Joseph D.; Roy, Rajarshi; Ott, Edward (2021-07-20). "Inferencia de enlaces de aprendizaje automático de redes acopladas con retardo ruidosas con pruebas experimentales optoelectrónicas" . Physical Review X. 11 ( 3) 031014. arXiv : 2010.15289 . Bibcode : 2021PhRvX..11c1014B . doi : 10.1103/PhysRevX.11.031014 .
  18. 1 2 3 4 Soriano, Miguel C. (2017-02-06). "Punto de vista: la computación de reservorio se acelera" . Física . 10:12 . doi : 10.1103/Physics.10.12 . hdl : 10261/173181 .
  19. ↑ Kevin Kirby. "Dinámica del contexto en el aprendizaje secuencial neuronal". Actas del Simposio de Investigación en Inteligencia Artificial de Florida (FLAIRS, 1991), 66-70.
  20. ↑ Gallicchio, Claudio; Micheli, Alessio (2013). "Redes estatales de eco de árboles". Neurocomputación . 101 : 319– 337. doi : 10.1016/j.neucom.2012.08.017 . hdl : 11568/158480 .
  21. 1 2 Aoun, Mario Antoine; Boukadoum, Mounir (2014). "Algoritmo de aprendizaje y arquitectura de neurocomputación para neuronas NDS" . 2014 IEEE 13.ª Conferencia Internacional sobre Informática Cognitiva y Computación Cognitiva . IEEE. pp. 126–132 . doi : 10.1109/icci-cc.2014.6921451 . ISBN  978-1-4799-6081-1. S2CID 16026952 . 
  22. 1 2 Aoun, Mario Antoine; Boukadoum, Mounir (2015). "Máquina de estado líquido caótico". Revista internacional de informática cognitiva e inteligencia natural . 9 (4): 1– 20. doi : 10.4018/ijcini.2015100101 . ISSN 1557-3958 . 
  23. 1 2 Crook, Nigel (2007). "Computación transitoria no lineal". Neurocomputing . 70 ( 7– 9): 1167– 1176. doi : 10.1016/j.neucom.2006.10.148 .
  24. ↑ Pedrelli, Luca (2019). Deep Reservoir Computing: A Novel Class of Deep Recurrent Neural Networks (tesis doctoral). Università di Pisa.
  25. ↑ Gallicchio, Claudio; Micheli, Alessio; Pedrelli, Luca (2017-12-13). "Computación de reservorio profundo: un análisis experimental crítico". Neurocomputing . 268 : 87– 99. doi : 10.1016/j.neucom.2016.12.089 . hdl : 11568/851934 .
  26. ↑ Gallicchio, Claudio; Micheli, Alessio (2017-05-05). "Propiedad del estado de eco de las redes de computación de reservorio profundo". Computación cognitiva . 9 (3): 337– 350. doi : 10.1007/s12559-017-9461-9 . hdl : 11568/851932 . ISSN 1866-9956 . S2CID 1077549 .  
  27. ↑ Gallicchio, Claudio; Micheli, Alessio; Pedrelli, Luca (diciembre de 2018). "Diseño de redes neuronales de estado de eco profundo". Redes neuronales . 108 : 33–47 . doi : 10.1016/j.neunet.2018.08.002 . hdl : 11568/939082 . ISSN 0893-6080 . PMID 30138751. S2CID 52075702 .   
  28. ↑ Chen, Jiayin; Nurdin, Hendra (2019-05-15). "Aprendizaje de mapas de entrada-salida no lineales con sistemas cuánticos disipativos" . Procesamiento de información cuántica . 18 (7): 198. arXiv : 1901.01653 . Bibcode : 2019QuIP...18..198C . doi : 10.1007/s11128-019-2311-9 . S2CID 57573677 . 
  29. ^ Nokkala , Johannes; Martínez-Peña, Rodrigo; Giorgi, Gian Luca; París, Valentina; Soriano, Miguel C.; Zambrini, Roberta (2021). "Los estados gaussianos de sistemas cuánticos de variable continua proporcionan computación de reservorio universal y versátil". Física de las Comunicaciones . 4 (1): 53. arXiv : 2006.04821 . Código Bib : 2021CmPhy...4...53N . doi : 10.1038/s42005-021-00556-w . S2CID 234355683 . 
  30. ↑ Marković, Danijela; Grollier, Julie (13 de octubre de 2020). "Computación neuromórfica cuántica". Applied Physics Letters . 117 (15): 150501. arXiv : 2006.15111 . Bibcode : 2020ApPhL.117o0501M . doi : 10.1063/5.0020014 . S2CID 210920543 . 
  31. ↑ Ferraro, Alessandro; Olivares, Stefano; Paris, Matteo GA (2005-03-31). "Estados gaussianos en información cuántica de variable continua". arXiv : quant-ph/0503237 .
  32. ↑ Roslund, Jonathan; de Araújo, Renné Medeiros; Jiang, Shifeng; Fabre, Claude; Treps, Nicolas (2013-12-15). "Redes cuánticas multiplexadas por longitud de onda con peines de frecuencia ultrarrápidos" . Nature Photonics . 8 (2): 109– 112. arXiv : 1307.1216 . doi : 10.1038/nphoton.2013.340 . ISSN 1749-4893 . S2CID 2328402 .  
  33. ↑ Bartlett, Stephen D.; Sanders, Barry C.; Braunstein, Samuel L.; Nemoto, Kae (2002-02-14). "Simulación clásica eficiente de procesos de información cuántica de variable continua" . Physical Review Letters . 88 (9) 097904. arXiv : quant-ph/0109047 . Bibcode : 2002PhRvL..88i7904B . doi : 10.1103/PhysRevLett.88.097904 . PMID 11864057. S2CID 2161585 .  
  34. ↑ Nokkala, J.; Arzani, F.; Galve, F.; Zambrini, R.; Maniscalco, S.; Piilo, J.; Treps, N.; Parigi, V. (2018-05-09). "Implementación óptica reconfigurable de redes cuánticas complejas" . New Journal of Physics . 20 (5): 053024. arXiv : 1708.08726 . Bibcode : 2018NJPh...20e3024N . doi : 10.1088/1367-2630/aabc77 . ISSN 1367-2630 . S2CID 119091176 .  
  35. ↑ Nielsen, Michael; Chuang, Isaac (2010), Computación cuántica e información cuántica (2.ª ed.), Cambridge University Press Cambridge, Bibcode : 2010qcqi.book.....N 
  36. ↑ John Preskill . "Computación cuántica en la era NISQ y más allá". Quantum 2,79 (2018)

Lecturas adicionales

  • Computación de reservorios mediante sistemas de retardo , Nature Communications 2011
  • Computación de reservorios optoelectrónicos , Scientific Reports, febrero de 2012
  • Computación de reservorios optoelectrónicos , Optics Express 2012
  • Computación de reservorios totalmente óptica , Nature Communications 2013
  • Modelos de memristores para aprendizaje automático , Computación neuronal 2014 arxiv
  • Kohei Nakajima e Ingo Fischer (Eds.): Computación de reservorios: teoría, implementaciones físicas y aplicaciones , Springer, ISBN 978-981-13-1686-9 (2021).