兴奋/抑制平衡作为RBN性能关键因素浮现，压倒吸引子动力学

储备池计算提供了传统学习方法在时间与成本上的高效替代。被称为“混沌边缘”的临界态已被发现可优化二值神经网络的计算性能。然而，在探究连接性、动力学与性能之间的联系时，鲜少关注储备池间的变异性。随着物理储备池计算机日益普及，开发系统化的网络设计方法至关重要。在本文中，我们考察随机布尔网络（RBNs），并证明特定分布参数可在临界点附近导致多样动力学。我们识别不同的动力学吸引子并量化其统计，揭示大多数储备池拥有主导吸引子。随后我们在记忆与预测两项挑战性任务上评估性能，发现正的兴奋平衡产生具有更高记忆性能的临界点，而负的抑制平衡给出另一具有更好预测性能的临界点。有趣的是，我们显示内在吸引子动力学在两种情形下对性能影响甚微。