发表机构
Université de Lorraine, CentraleSupélec; Instituto de Física Interdisciplinar y Sistemas Complejos (IFISC), CSIC–UIB（洛林大学、中央苏佩莱克; 跨学科物理与复杂系统研究所（IFISC），西班牙国家研究委员会-巴利阿里群岛大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出基于随机投影的维度压缩读出策略，以缓解光子储备池计算中物理读出层尺寸限制，并在NARMA10任务上验证其性能优于独立受限储备池。
AI 中文摘要
这项工作解决了储备池计算中的一个硬件约束：由物理读出系统施加的读出层尺寸限制。我们研究了一种基于随机投影的策略来适应这一约束，该策略将高维储备池状态压缩到较低维子空间，同时保留源空间的关键特性和信息处理能力。为了评估这种方法，我们将一个小型独立的时间延迟储备池与一个更大的配置进行比较，后者输出被投影以匹配相同的受限读出维度。使用任务无关的指标，我们证明了即使在相同的读出尺寸下，两种配置的信息处理能力分布也可能不同。此外，我们进行了全面的超参数扫描，以评估两种系统在不同物理机制下的行为。最后，我们在标准NARMA10任务上对这种方法进行了基准测试，表明在特定压缩范围内，随机投影框架相比独立受限储备池可以产生更优的性能。这些结果为基于硬件的储备池计算提供了一条可扩展的途径，以绕过物理读出瓶颈。
英文摘要
This work addresses a hardware constraint in reservoir computing: the limited size of the readout layer imposed by systems with a physical readout. We investigate a strategy to accommodate this constraint based on random projection, which compresses high-dimensional reservoir states into a lower-dimensional subspace while preserving key properties of the source space and information- processing capabilities. To evaluate this approach, we compare a small, standalone time delay reservoir against a larger configuration whose output is projected down to match the same restricted readout dimension. Using task-independent metrics, we demonstrate that the distribution of information-processing capacities may differ between the two configurations, even at identical readout sizes. Furthermore, we perform a comprehensive hyperparameter scan to assess how both systems behave under varying physical regimes. Finally, we benchmark this approach on the standard NARMA10 task, showing that the random projection framework can yield superior performance compared to a standalone constrained reservoir, within specific compression range. These results provide a scalable pathway to bypass physical readout bottlenecks in hardware-based reservoir computing.
